神经网络凭借自身内在的强逼近能力,广泛应用于非线性系统辨识与控制。常规神经网络权重往往为常值,采用积分学习律调整网络权值。时变神经网络拥有时变权值,当网络结构确定后,网络权重的训练便成为时变神经网络能否成功应用的关键。迭代学习控制与重复控制在一定条件下能够实现期望轨迹的精确跟踪。借鉴迭代学习思想训练时变神经网络权值成为一种可行方案。非线性时变系统具有复杂的非线性时变动态特性,针对这类系统的辨识与控制的研究成果还不多见。本文给出时变RBF网络与时变动态神经网络,借助迭代学习思想沿重复轴训练网络权值。基于给出的两类时变神经网络完成非线性时变系统辨识及自适应迭代学习控制。本文的主要研究工作和取得的成果如下：1.在常规RBF网络基础上,给出时变RBF网络。并将两种不同连接权值的RBF网络分别用于非线性时变系统辨识。考虑逼近误差存在的情形,采用带死区修正的积分学习律调整常规RBF网络权值；借助迭代学习思想,根据带死区修正的半饱和迭代学习算法训练时变RBF网络权值。理论分析了辨识算法的有效性。2.借鉴常规高阶动态神经网络连接形式,网络连接权取时变值时构成时变动态神经网络。分别基于常规动态神经网络与时变动态神经网络辨识非线性时变系统。最小二乘结合死区修正策略用于更新常规网络权值；时变网络权值调整采用死区修正的迭代学习最小二乘及其改进算法。通过引入时变向量证明了辨识算法使得辨识误差渐近收敛至死区界定的邻域内。3.将重复思想引入RBF网络连接权值的变化中,给出周期RBF网络。通过在辨识模型中加入逼近误差补偿措施,从而实现非线性周期系统的完全辨识。采用积分学习律更新RBF网络定常权值；依据系统重复运行特性,利用全饱和重复学习算法训练周期RBF网络的周期时变权值。4.常规高阶动态神经网络连接权值替换为周期时变权值后,形成周期动态神经网络。为达到非线性周期系统完全辨识效果,将逼近误差上界估值加入基于动态神经网络的辨识模型用以抵消逼近误差影响。最小二乘积分学习律用来调整定常权值：采用最小二乘重复学习算法实现周期网络权值的训练。通过引入周期向量,分析了最小二乘重复学习算法的有效性。5.针对一类非线性时变系统,利用时变RBF网络逼近控制器设计中整体未知不确定非线性部分,同时采用自适应学习律估计逼近误差上界。为实现完全跟踪任务,控制器中嵌入逼近误差补偿措施。理论分析保证闭环系统所有信号有界的同时,实现了跟踪误差及其各阶导数沿迭代轴渐近收敛至零。6.基于时变动态神经网络直接设计自适应迭代学习控制器,从而实现一类非线性时变系统的有效跟踪控制。为处理逼近误差,采用带死区修正的迭代学习最小二乘算法训练网络权值。借助Lyapunov-like方法保证闭环系统所有信号有界的同时,实现了跟踪误差沿迭代轴渐近收敛至死区界定的范围内。7.考虑非线性周期时变系统跟踪控制问题,基于周期RBF网络设计自适应重复控制器,利用重复学习投影算法训练网络权值,同时将重复学习获得的逼近误差上界估值加入控制器中,从而完成控制器设计。理论分析闭环系统稳定性的同时,实现了跟踪误差渐近收敛于零。