在实际工程中,被控对象往往具有本质非线性、不确定性和时变性,并常常受到随机扰动的影响,因此研究不确定随机非线性系统的控制问题不仅具有重要的理论意义,也具有重要的实际应用价值.自适应神经网络控制方法是解决复杂非线性系统控制设计问题的重要方法之一.本文在国内外关于随机非线性系统研究基础上,应用神经网络控制理论,结合自适应反步递推(backstepping)技术、鲁棒控制理论和数学不等式技巧,系统地研究了随机非线性系统的控制问题,发展新的自适应神经网络控制方法.本文的主要内容分为以下六个部分：1.研究一类单输入单输出(Single-Input-Single-Output, SISO)严格反馈随机非线性系统的跟踪控制问题.在控制设计过程中,应用径向基函数(Radial Basis Function, RBF)神经网络近似逼近组合未知非线性函数；结合backstepping方法来设计一种自适应神经网络控制方案.所提出的控制方案保证了闭环系统的依概率有界性和跟踪性能,同时通过估计神经网络权向量范数的最大值,使得对于n阶非线性系统只需要一个在线调节方程,从而减小了计算量.仿真结果验证了本章所提出的方法的有效性.2.研究一类具有状态时滞的严格反馈随机非线性系统的自适应有界镇定控制问题.通过构造适当的Lyapunov-Krasovskii泛函来补偿非线性时滞函数,应用RBF神经网络来逼近系统的组合非线性函数,结合backstepping方法和双曲正切函数的性质提出一个能够保证闭环系统的所有信号是依概率有界的自适应神经网络控制方案.仿真研究说明了所提出的方案的有效性.3.针对一类多输入多输出(Multiple-Input-Multiple-Output, MIMO)随机非线性关联系统,发展了一种自适应神经网络分散控制方案.所提出的控制方案保证了闭环系统的所有变量是依概率最终有界的.所提出的控制方案对于每个子系统仅需要一个自适应参数在线调节,便于实际应用.仿真结果说明了所提出的方案的有效性.4.研究一类完全非仿射纯反馈随机非线性系统的自适应神经网络跟踪控制问题.在控制器设计过程中,首先应用隐函数定理和均值定理将系统的非仿射函数转化成仿射形式,进而应用RBF神经网络逼近期望的虚拟控制和实际控制信号,最后结合Lyapunov泛函理论和backstepping方法设计出一个自适应跟踪控制方案.所提出的控制方案不仅保证了闭环系统所有信号的依概率有界性和跟踪性能,而且克服了控制器的循环设计问题.最后通过数值例子进一步验证了所提方法的有效性.5.研究分别具有输入死区和输入饱和纯反馈随机非线性系统的自适应神经网络跟踪控制问题.首先应用中值定理将系统的非仿射函数转化成仿射形式,其次,针对死区非线性,将死区等价分解成关于死区输入和死区参数的线性部分与有界非线性扰动部分之和的形式；针对饱和非线性,引入一个光滑函数来补偿饱和非线性,最后基于backstepping技术和双曲正切函数不等式技巧提出了不依赖非平滑输入参数的自适应神经网络控制新方法.所提出的控制方案保证了闭环系统所有变量的依概率有界性,且使得系统的输出跟踪误差能够收敛到原点的一个较小的邻域内.数值算例进一步验证了所提出的控制设计方案的有效性.6.研究一类具有非严格反馈随机非线性系统的自适应神经网络跟踪控制问题.在控制器设计过程中,首先应用函数分离技术对系统的全状态函数进行变量分离,进而通过引入一个连续函数来补偿在后续设计过程中出现的当前状态变量的函数,应用RBF(?)申经网络来逼近系统的组合非线性函数,最后利用backstepping方法提出一个能够保证闭环系统所有信号的依概率有界性和输出跟踪性能的自适应神经网络控制方案.仿真研究说明了所提出的方案的有效性.