本论文主要研究了基于参数化控制器的数据驱动控制方法,并通过仿真研究及实验验证,讨论了控制器设计的若干问题。论文主要工作及创新点总结如下：一、针对单入单出线性时不变被控对象和给定的线性参数化控制器,给出了鲁棒控制器存在的充分必要条件。然后,根据该条件提出了一种基于频域数据和凸优化的鲁棒H∞控制器设计方法,并将该方法推广到多模型或多面体不确定下的鲁棒控制器设计问题。该方法同时适用于连续时间系统和离散时间系统,并且可以直接针对具有时延环节或具有多模型不确定的系统进行控制器设计。仿真研究验证了方法的正确性和有效性。二、针对不同复杂程度的单入单出离散时间非线性被控对象,提出了理想非线性控制器的四种等价动态线性化表达形式,即紧格式,偏格式,全格式和超格式,并提出了相应的数据驱动无模型自适应控制方法及统一的参数整定方案。理论分析证明了各方法作用下闭环控制系统的稳定性,仿真研究和三容水箱液位控制实验验证了各方法的有效性。同时,通过与已有的数据驱动控制方法的比较,突出了所提出方法的优势。三、为改善数据驱动无模型自适应控制方法对复杂系统的整体控制效果,引入了RBF神经网络直接逼近理想控制器参数。理论分析证明了该方法作用下的闭环控制系统的稳定性,同时数值仿真及三容水箱液位控制实验验证了该方法的有效性及实用性,并表明了该方法对参数时变系统具有良好的适用性。四、综合上述控制方法,通过建立被控对象输入输出数据库,利用懒惰学习的思想,提出了一个完整的数据驱动控制解决方案。该方案有两个主要特点：是通过动态地建立被控对象的局部数据模型,实现控制器参数的自适应优化整定；二是数据的清理和数据模型的评价,降低了建立局部数据模型的负担。在连续搅拌釜浓度控制仿真研究中,比较了三种数据驱动无模型自适应控制方案,并分析、讨论了各方案的适用范围。