相较于传统的构造性自适应控制着重关注系统稳定性,复合学习自适应控制不但关注系统的稳定性,而且通过复合学习机制,实现未知参数的精确估计,从而提高系统稳定性和性能。本文将研究高阶全驱系统的复合学习自适应控制,由简单到复杂,分别探讨含有线性参数化不确定性、含有外部扰动、含有时变不确定参数的情形。研究了带有线性参数化不确定性的高阶严格反馈非线性系统复合学习自适应控制问题。根据系统的状态、控制输入和估计参数初始值构造参数估计误差重构机制。然后利用参数估计误差重构机制所得到的参数估计误差信息以及系统的状态、参考输入等已知量构造参数自适应律。进而根据动态面控制方法,通过将每个高阶子系统视为一个整体同时引入一系列一阶低通滤波器进行控制设计,得到相应的复合学习自适应控制器,最终实现系统稳定和参数精确估计。在有外界干扰的情况下,研究了带有线性参数化不确定性的高阶严格反馈非线性系统复合学习自适应控制问题。通过设计扰动观测器对外部干扰进行线性参数化转换,接着用扰动观测器的输出代替原系统中的外部扰动,并从中提取出新的未知参数,与原系统的未知参数整合成一个新的待估计参数整体。基于并行学习技术,根据历史堆栈中系统的历史数据（状态、控制输入）和估计参数初始值构造带有遗忘因子滤波器的参数估计误差重构机制。进一步利用参数估计误差重构机制所得到的历史参数估计误差信息以及当前系统的瞬时状态、瞬时参考输入等已知量构造出无需持续激励的参数自适应律。结合自适应动态面方法和Lyapunov方法设计出复合学习自适应控制器,最终在保证系统稳定的同时实现未知参数的精确估计和外部干扰的精确补偿。在没有外界干扰的情况下,研究了带有时变线性参数化不确定性的高阶严格反馈非线性系统复合学习自适应控制问题。根据Taylor展开方法将时变未知参数近似成带有常系数的多项式,从而把具有时变未知参数的系统转换为具有常值未知参数的替代系统。对未知参数恒定的替代系统,构造含有遗忘因子的参数估计误差重构机制,从而设计出复合学习自适应律。结合自适应动态面方法和Lyapunov方法设计出复合学习自适应控制器,在保证系统稳定的同时实现时变未知参数的精确估计。研究了考虑自动驾驶仪动态特性的复合学习自适应速度追踪制导律设计问题。建立纵向平面内速度跟踪制导系统的物理模型,并考虑自动驾驶仪的二阶动态延迟特性。结合复合学习自适应的动态面控制方法和Lyapunov稳定性分析方法,对自适应律和制导律进行设计。最终实现系统稳定和参数精确估计,并获得了较高的制导精度。