在许多实际情况下，非线性系统很难通过已知函数精确地描述。不确定性不可避免的存在于动态系统中，例如：系统建模误差，未知物理现象(机械系统中的摩擦力)和工作环境的影响等等。模糊系统或神经网络对于处理不确定性是特别有效的方法。因为，已经证明他们能一致逼近不确定连续函数到给定的精度。虽然非线性系统自适应控制的研究已经取得了许多有意义的进步，但是在实际应用中仍然存在许多问题需要解决。因此，本博士论文针对目前存在的一些问题提出了几种自适应控制算法。主要的研究工作如下：针对不确定SISO匹配条件的非线性系统提出了一种自适应鲁棒模糊控制算法。该算法通过设计观测器来估计系统的状态，因此不要求假设系统的状态是可测的。在这个算法中，主要的假设为最优逼近参数向量与标称参数向量之差的范数和逼近误差的界限是未知的。通过只对未知界限估计值的调节，该算法减少了在线计算量并且提高了系统的鲁棒性。所设计的自适应鲁棒模糊控制算法保证了闭环系统的所有信号是一致有界的并且跟踪误差的估计值收敛到一个小的零邻域内。应用提出的算法到与直流发动机相连的变速箱的仿真结果表明了该算法是有效的。同时，针对具有干扰的不确定MIMO匹配条件系统提出了一种稳定的自适应控制方案。这个系统模型的显著特点是不要求假设干扰系数是已知常数。提出的方案实现了闭环系统的H∞跟踪性能。基于Backstepping方法，针对一类不确定SISO严格反馈非线性系统提出了两种稳定的自适应控制方法。利用RBF神经网络逼近器，第一种方法主要的假设是最小逼近误差满足确定有界条件。通过一个特殊的设计方案，很好地克服了控制器的奇异问题，提高了闭环系统的控制性能，扩大了适用范围。第二种方法在第一种方法的基础上，利用模糊逼近器，通过对逼近参数向量范数未知界限估计值的在线调节，减轻了在线计算负担。通过适当的选择设计参数，两种控制方法都证实了闭环系统的所有的信号是一致有界的和跟踪误差变量收敛到一个任意地小的零邻域内。众所周知，与严格反馈系统和匹配条件系统相比较，纯反馈系统是更一般的和复杂的。利用李雅普诺夫稳定性分析方法，提出了一种自适应模糊控制方法能稳定一类不确定非线性MIMO纯反馈系统。该方法放宽了已有文献对系统模型的限制条件。基于Backstepping方法，在每一步中利用模糊系统逼近每个子系统的未知函数。在控制输入设计中，鲁棒控制项用于补偿逼近误差向量。提出的控制方法使得闭环系统的所有信号是一致有界的和跟踪误差向量的范数收敛到一个任意小的零邻域内。在控制理论界，控制非仿射非线性系统是一个挑战的问题。本文针对两类不同结构的非线性非仿射系统，提出了两种自适应模糊控制方法。由于控制输入非线性地存在于未知非仿射函数中和各个子系统之间的耦合，控制这样系统是困难和复杂的。通过构造一些特殊结构的李雅谱诺夫函数和利用均值定理、模糊系统、Backstepping设计技术以及引入Nussbaum类型函数，克服了这个困难。提出的控制方法保证了闭环系统的所有信号是一致有界的。仿真实验证实了设计方法的可行性。