实际系统通常具有不确定性、本质非线性、时变性等特征,线性系统的动态特性已经不能清楚地解释具有本质非线性的复杂系统的特性。自适应神经网络是解决具有未知函数的非线性系统控制问题的一种有效的方法。另一方面,时滞是工业生产、网络通讯等动态系统中普遍存在的现象。系统中所含有的时滞因素将导致受控系统性能下降甚至导致系统无法正常运行。这就要求我们在对受控系统进行稳定性分析和控制器设计过程中,需要考虑时滞因素对系统的影响。鉴于此,本文针对当前国内外非线性系统的研究现状,在深入理解非线性系统理论和智能控制理论的基础上,系统化地研究了几类非线性系统和非线性时滞系统的自适应神经网络控制方法。本文的主要内容分为以下6部分:1.针对一类单输入单输出（Single-Input-Single-Output,SISO）严格反馈非线性系统,发展了一种直接自适应神经网络控制方案。在该方案的设计过程中,应用径向基（Radial Basis Function,RBF）神经网络来逼近未知的虚拟控制而不是系统中的未知非线性函数;应用backstepping技术来设计自适应神经网络控制器;应用积分型Lyapunov函数来分析闭环系统的稳定性。所提出的控制方案不仅保证了闭环系统的有界性和跟踪性,而且克服了控制器奇异问题。特别值得指出的是,本章所提出的控制器结构简单,并且所需的自适应参数个数不多于所考虑的系统阶数,从而降低了计算量,便于在实际工程中应用。以Brusselator化学动态模型、单连杆柔性机械臂等作为仿真对象,仿真结果说明了本章所提出的方法是有效的。2.研究一类SISO摄动严格反馈非线性时滞系统的镇定控制问题,应用Lyapunov-Krasovskii泛函来补偿系统中的非线性时滞项,并结合backstpping设计和二次型Lyapunov函数提出了一种自适应神经网络控制方案。所设计的自适应神经网络控制器保证了闭环系统的所有变量的有界性,并简化了闭环系统的稳定性分析过程。仿真研究说明了本章所提出的方案的有效性。3.研究了一类多输入多输出（Multiple-Input-Multiple-Output,MIMO）严格反馈非线性系统的跟踪控制问题。基于此类系统中的非线性函数都是未知的特点,通过应用RBF神经网络和backstepping方法提出了一种直接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一致有界性和跟踪性。该方案的主要特点是针对MIMO非线性系统设计了具有简单结构形式和较少自适应参数的控制器。以倒立摆、化工生产中的两个反应堆的不可逆发热过程的温度控制过程等作为仿真实例,仿真结果说明了该方案的有效性。4.基于backstepping方法解决了一类MIMO严格反馈非线性时滞系统的神经网络逼近扰动解耦问题。所考虑的系统中的非线性函数和时滞函数是完全未知的,应用RBF神经网络来逼近这些未知的非线性函数。构造backstepping每步中的Lyapunov-Krasovskii泛函来补偿所有含有此步时滞状态的非线性函数,从而使得所有的时滞项在backstepping设计的最后一步得到完全补偿。随后,本章给出了一个自适应神经网络逼近扰动解耦的完整控制方案。所提出的控制方案确保了闭环自适应系统状态的有界性,同时完成由系统外部扰动输入到系统输出的一个有界的L₂增益。最后,应用该方案来镇定化工生产过程中的发热反应装置的温度控制系统,仿真结果进一步说明了本章所提出的方法的有效性。5.针对一类完全非仿射纯反馈非线性系统,本章结合隐函数定理和均值理论提出了一个直接自适应神经网络跟踪控制方法。为了有效地去掉仿射项上界的约束,本章引入了适当的光滑函数来补偿backstepping设计中前一步的关联项。通过结合backstepping设计,输入状态稳定和小增益定理克服了纯反馈非线性系统控制中所存在的控制器循环构造问题。该方案不仅保证了闭环系统所有信号的有界性,而且提供了一个简单有效的方法来控制具有较少约束条件的非仿射纯反馈非线性系统。仿真研究说明了本章所提出的方案的有效性。6.针对一类带有多个未知时变时滞的非仿射纯反馈非线性系统,提出了一种自适应神经网络跟踪控制方案。通过引入分离技术,将含有所有时变时滞状态的未知函数分解成一系列含有每个时滞状态的连续函数。同时结合新的Lyapunov-Krasovskii泛函来补偿含有当前时滞状态的非线性函数,这种方法有效地避免了未知时滞函数所需的任何约束条件,并克服了backstepping设计中应用函数逼近器所引起的控制器循环构造问题。此外,引入了新颖的连续函数来克服由一个自适应参数所引起的设计难题。该方法不仅克服了非仿射纯反馈系统的设计困难,并且保证了闭环系统的所有信号的有界性。仿真研究说明了所提出的方案的有效性。