严格反馈非线性系统常见于民用与国防建设中,例如机械手、飞行器、船舶等,对此类系统的智能控制具有重要研究意义。基于神经网络的自适应控制方法常被用于严格反馈非线性系统的控制中,但是传统神经网络控制方法存在着瞬态控制性能较差、学习参数数量较多等问题。本文主要针对此类问题,结合预估器、最少学习参数等技术构建了一套基于预估器的神经网络自适应动态面控制策略,按照从单个系统到多智能体系统脉络,分别考虑严格反馈非线性系统的输出跟踪、双向一致、双向编队等问题。本文主要工作包含以下几个方面:1)针对一类存在未知动态与控制增益的严格反馈非线性单输入单输出系统,设计基于预估器的神经网络动态面自适应控制策略。结合预估器、Nussbaum函数和传统神经网络动态面控制方法处理输出跟踪控制问题。与传统基于误差面更新神经网络的方法相比,由于预估误差初始误差小与额外可调节参数,和误差面相比有更快收敛速度,使用预估误差代替误差面更新神经网络权值,可避免大自适应增益下神经网络出现高频信号的情况。控制策略进一步结合Nussbaum函数处理系统未知控制增益。此方法不仅扩展了现有基于预估器的控制方法对于单位控制增益的限制,并且还进一步结合最少学习参数方法,将每一个神经网络的在线学习参数减少至一个。通过构建Lyapunov方程证明系统在初始状态有界的条件下闭环系统信号是最终有界的。2)针对一类严格反馈非线性多智能体系统,设计基于预估器的神经网络动态面双向一致控制策略。首先根据结构平衡的拓扑图论知识,考虑基于邻居信息的最少学习参数方法,将基于预估器的神经网络动态面控制方法引入多智能体系统双向一致控制中。进一步考虑传感器遭受攻击的严格反馈多智能体系统,根据传感器稀疏攻击的安全控制条件,设计受传感器攻击的输出反馈安全双向跟踪控制策略。将基于预估器的神经网络控制方法应用至输出反馈问题中,并且考虑系统受到非对称输入饱和的情况,设计一个和系统阶数相同的辅助系统,作用于反步法每一步控制律,补偿输入受限情况。结合输入状态实际稳定Lyapunov方程证明了双向一致误差收敛至原点的小邻域内,且闭环系统信号有界。3)针对一类受外部扰动的非线性多智能体系统,设计基于扰动观测器的双向编队控制策略。提出一种基于预估器的神经网络扰动观测器,逼近跟随者的外部干扰在内的广义扰动。使用神经网络权值范数学习方法,结合预估器改进神经网络的最少学习参数技术,取消最少学习参数技术在控制策略设计中对基于连续函数分离定理引理的使用,减少了控制策略的设计和稳定性分析的难度。结合输入状态实际稳定Lyapunov方程证明了双向编队误差收敛至原点的小邻域内,且闭环系统信号有界。4)针对一类二阶多维非线性多智能体系统,设计误差转换和人工势场法相结合的避碰避障和通信连接保持编队控制策略。编队控制策略框架基于预估器和扰动观测器的神经网络动态面控制方法构建。通过引入编队误差转换方程,在不需要使用势能函数的情况下实现智能体间的期望编队队形以及智能体间的避碰和通信连接保持。提出一个基于避障距离系数的对数势能函数来为智能体的避障提供斥力,和现有的势能函数相比,提出的势能函数及其偏导在障碍物进出避障探测范围时的分断点是连续可微的,因此函数在分断点处变化平滑,避免了现有势能函数在障碍物进/出探测范围时作用在控制律中出现的陡增/降情况。通过构建Lyapunov方程分别分析无障碍物时的编队误差收敛性和遇到障碍物的避障效果。