不确定非线性系统是一类较难精准控制的系统,由于系统中存在动态复杂不确定性因素,所以单从控制理论技术难以实施,而强化学习具有在未知的环境中与环境进行交互自主学习的能力,能根据系统环境训练出最优控制策略模型,且不需要系统环境信息等先验知识,是解决复杂不确定非线性系统控制的理想在线学习算法。针对实际生活中大量不确定非线性系统难以精准控制的问题,本文研究了一类非线性系统的强化学习控制问题。本文首先研究了强化学习反步控制的基本框架,对系统的不确定性引入强化学习执行网模块,根据李雅普诺夫函数以及系统性能指标函数对系统输出跟踪误差和自适应误差定义出回报状态值函数,推导出执行网训练所需的系统效益误差函数;同时引入强化学习评价网模块,对系统控制中状态值函数设计出评价网模型,通过哈密尔顿函数推导出评价网训练所需的均方残差函数;控制过程中执行网和评价网的权重自适应律通过效应误差函数以及均方残差函数值最小的目标原理进行梯度更新。然后,本文对一类非线性系统进行了反步思想的控制设计,通过基于李雅普诺夫的稳定性推导分析以及系统的反步控制设计,进一步设计推导出闭环系统每个子系统方程的反步控制律和系统各自适应参数更新律,同时结合强化学习基本设计框架,提出了一种非线性系统的强化学习反步控制法。接着,本文研究了一类具有匹配或非匹配干扰的不确定非线性系统的强化学习反步控制,对系统的匹配和非匹配干扰项采用二阶HDOB以及STDO干扰观测器对其进行逼近补偿,并基于非线性系统的强化学习反步控制,提出了一种不确定非线性系统的强化学习抗扰动反步控制法。最后,本文研究了一类近似利普西茨非线性系统的强化学习控制,基于近似利普希茨理论以及强化学习反步控制,提出了一种近似利普西茨非线性系统的强化学习反步控制法。为了验证本文所提控制方法的有效可行性,本文针对多类非线性系统,对基于强化学习和反步控制的智能控制方法进行了仿真验证。仿真结果表明了系统的各自适应参数都稳定有界收敛,并验证了所提控制方法具有自适应拟合复杂不确定性因素的能力,同时证明了该强化学习控制系统在不确定自适应环境下实现跟踪误差稳定不变方面更具有效性和优越性。