在控制系统中,执行器部件主要被用来产生与控制命令相对应的物理执行信号,并作用于被控对象以实现输出镇定、跟踪等控制目标。但很多情况下,执行器容易受到多种固有非线性特征约束,例如:晶体管产生的死区效益、压电驱动平台中的磁滞现象、齿轮传动系统间的Backlash约束等。由于非线性约束的存在,执行器输出与输入之间产生了极大的差距。这意味着,在控制器设计中如果没有将这些非光滑执行器约束考虑在内,所得到的控制器很可能会造成系统控制精度和稳定性的严重下降。另一方面,由于执行器约束通常是非线性且非光滑的,又给控制器设计带来了相当大的难度。因此,如何通过非线性控制器设计来抵消执行器非光滑约束对闭环系统破坏性的影响是一个具有理论和工程双重价值的挑战性课题。针对该课题,本论文以Lyapunov泛函理论为稳定性分析基础,以Backstepping设计为技术框架,并结合自适应控制、鲁棒控制、模糊逻辑系统、神经网络等方法,解决了下列非线性控制问题:(1) 针对带有执行器未知方向磁滞的时延不确定非线性系统,提出了基于神经网络逼近的自适应控制设计方法。首先,采用Bouc-Wen模型描述执行器中的未知方向磁滞特征,并将该模型表示为带有未知系数的控制器加上有界扰动项的形式。紧接着,通过引入Nussbaum泛函理论,解决了未知大小及符号的控制系数问题。最后,通过设计新型的Lyapunov-Krasovskii函数对系统状态时延补偿,从而成功地建立了闭环控制系统的有界稳定性。(2) 针对带有执行器非对称Backlash的不确定非线性系统,提出了两种智能控制方法。其一为自适应逆补偿控制策略,通过设计非对称Backlash的光滑逆模型,以及融合自适应参数估计方法,一个光滑自适应逆补偿器得以成功构建以补偿执行器中的非对称Backlash约束。为了移去该方案中的一些局限性条件(例如非对Backlash上升直线与下级直线的斜率比被要求已知;自适应逆补偿器可能存在奇异问题),于是进一步提出第二种模糊自适应逆补偿控制方法。(3) 针对带有执行器非对称Backlash和量化输入的非线性系统,提出了一种鲁棒自适应神经网络控制方案。首先让控制信号通过一个磁滞型量化器,以降低其在网络总线中传输的通信率。但是,量化器的引入又会使自适应控制器设计变得十分困难,为了解决这个问题,一种基于扇形有界性质的量化器非线性分解方法被提出。再者,我们进一步给出了分解非对称Backlash的方法。基于这些分解,真实的控制器被成功地从非对称Backlash约束和量化函数中分离出来。最后,通过结合鲁棒自适应技术方法从而完成量化控制方案的设计。(4) 针对带有执行器故障和Backlash的不确定非线性系统,提出了一种新的自适应控制设计方案。首先,构建一个自适应逆补偿器以抵消执行机构中的Backlash效应。接下来,基于直接自适应方法设计能够抵消执行器故障效应的补偿器输入,从而得到期望的控制器(即补偿器的输出)。通过严格数学分析可证,所提出的控制方案不仅保证闭环系统全部信号的有界性,还使得跟踪误差最终收敛到零。