由于水下复杂的操作环境，自治水下机器人动态方程的高度非线性和水力系数很难精确预测。这些困难通常会导致自治水下机器人控制器设计的复杂性。神经网络由于它非常好的非线性逼近能力，已经在自治水下机器人里有了很多的应用。这些神经网络的共同特征就是去逼近机器人的光滑非线性特性。在第二节里我们将主要介绍自适应非线性神经网络怎样控制自治水下机器人的水下运动。通过一些在实际中常见的假设，潜水动态特性被简化成一个非仿射的纯反馈系统。最后，通过选择恰当的设计参数，该闭环系统的控制性能有了很好的保证。　　 设计汽车主动悬架系统的时候，我们主要考虑到的是：尽量解决乘车舒适性、操纵性和动悬架之间的内在矛盾。本文第三节将以二分之一车模型的主动悬架系统作为研究对象，并对这种多输入多输出的复杂非线性系统展开了深入的研究工作。针对主动悬架系统存在强非线性和不确定性等特点，本文提出了悬架的非线性自适应神经网络控制策略。半车主动悬架系统被分成两个子系统，这两个子系统都被表示成下三角形式。我们为每个子系统设计自适应神经网络控制器。该控制策略很好地保证半车主动悬架闭环系统里所有信号的半全局一致有界稳定。这样，我们就可以用一种更加简单和方便的方法去解决汽车悬架系统里乘车舒适性和悬架动行程之间的内在矛盾。　　 航空发动机里最经常发生的故障就是压气机旋转失速和喘振。确定压气机失速和喘振发生的时机，对于及时抑制或延缓失速和喘振的继续发展具有重要的意义。基于目前的失速和喘振对航空发动机性能的影响，M-G模型可以被用来做相关的训练实验，得出大量的旋转失速和喘振分岔特性模式，这就是我们所要的各种状态下的动力学特性模式。接着把这些模式组建一个模式库，当我们在以后的实验过程中再次碰到相似或相同的模式的时候通过动态模式识别方法把它们识别出来。当然，这些工作得以顺利进行的一个重要的理论基础就是确定学习和动态模式识别理论。　　 以上是三种比较有代表性的非线性复杂系统，在设计它们的控制器或者是建立模式库进行故障识别中，我们都用到了自适应神经网络的知识，利用神经网络的非线性逼近特性来逼近或者学习这些复杂系统中的未知动态特性从而实现我们的控制或识别目的。