随着现代科学技术和生产技术的发展,控制系统的日益复杂化,复杂系统的建模与控制成为控制界研究的热点问题之一。由于实际中普遍存在着不同程度的系统不确性,控制问题都不能用简单的确定性模型加以描述,所以需要把控制系统与学习系统不确定性结合起来作为一个问题考虑。学习和控制的本质为：一方面,控制信号使得系统输出趋向期望的目标(称为控制作用)；另一方面,控制信号还要减小系统参数的不确定性(称为对参数不确定性的学习作用)。两种作用在控制律的实现中是矛盾的,前者要求控制信号的变化趋向平缓,而后者要求维持一定幅度的激励,所以需要进行权衡。本文主要从线性、非线性随机系统和多模型非线性随机系统进行了研究。(1)对于具有未知参数的高斯白噪声随机线性系统,利用“效用函数”提出了一个的学习和控制权衡的控制策略。控制器既能够控制系统跟踪期望输出,又能对未知参数进行学习。通过仿真,验证了控制方法的有效性。(2)对具有未知参数的非线性的随机系统的控制问题,提出了一种学习和控制权衡优化算法。控制一方面能使输出跟踪期望输出；另一方面能用RBF网络在线学习非线性系统中未知参数。并通过仿真比较,表明了算法的优越性。(3)对于一类未知参数的非线性多模型随机系统,利用RBF网络在线学习非线性函数,运用Bayes后验概率对模型进行估计,最后根据代价函数得出控制信号。通过仿真,此算法能够较准确的得出系统切换的时间,能够准确跟踪系统变化。