在很多实际系统中,由于设备限制,性能要求和安全性考虑等因素,系统在运行过程中常常受到一定的限制,即需要满足某些约束条件。约束的破坏可能会导致系统不稳定,系统性能的退化甚至安全事故。同时,约束的存在使控制器设计变得更加复杂。近年来,对高阶非线性系统约束控制的研究引起了广大学者的关注并取得了重大突破,然而在以往的大多数工作中,所考虑的系统幂次都是已知常数,而对带有未知时变幂次的高阶非线性系统约束控制的研究并不多见。本文在已有文献的基础上,针对以下两类具有状态约束和预设性能的高阶非线性系统的控制问题展开了研究。1.具有未知时变幂次的状态约束非线性系统的渐近跟踪控制针对具有未知时变幂次的全状态约束非线性系统,本章研究了渐近跟踪控制问题。不同于传统的基于障碍李雅普诺夫函数的方法,本章构造了一个依赖于系统状态的非线性映射,将系统的全状态约束问题转化为映射后变换状态的有界性问题。然后基于增加幂次积分技术,通过在控制设计中引入连续有界的标量函数和高低幂次,提出了一种状态反馈跟踪控制方法。该方法在无需常用可行性条件的情况下,证明了全状态约束不被破坏,所有闭环系统信号是有界的,且系统输出渐近跟踪参考信号。仿真例子验证了所提控制方法的有效性。2.具有未知时变幂次的状态约束非线性系统的自适应神经网络预分配有限时间控制在无需可行性条件的前提下,针对具有未知时变幂次的全状态约束非线性系统,本章研究了自适应神经网络预分配有限时间控制问题。利用径向基函数神经网络逼近系统的未知非线性项,并且在动态面控制设计中引入高低幂次和基于有限时间性能函数的非线性映射,提出了一种自适应神经网络状态反馈控制方法,同时避免了虚拟控制器的重复微分和对系统非线性的限制性增长条件。该方法证明了所有闭环系统信号都是半全局有界的,并且可以在不违反系统全状态约束的条件下预先设定系统状态的稳态及暂态性能。特别地,由于本章构造的预设性能函数具有预分配有限时间收敛的性质,因此可以保证系统状态在预先指定的停时之后内收敛于预设的零附近的小邻域内。同时,神经网络的状态向量落入一个特定的紧集内,且在该集合内神经网络逼近是有效的。仿真实例分别验证了该控制方法的可行性和优越性。