神经网络由于具有强大的学习和推理能力,因此常被用于处理复杂非线性系统中的未知动态。不确定非线性系统的神经网络控制设计问题得到了广泛的关注和研究,涌现出了大量卓有成效的成果。值得指出的是,现有的研究成果都是依赖于神经网络万能逼近定理,为了保证神经网络能够有效地逼近/拟合非线性系统的未知动态,神经网络万能逼近定理要求神经网络的输入信号始终保持在某一确定的逼近集中。然而,逼近集通常无法预先精确获取,这会导致神经网络无法有效地补偿系统的未知动态,这一不足严重限制了神经网络控制方法的可靠性,成为制约神经网络控制领域进一步发展的重要瓶颈。为解决这一预定逼近集问题,本文主要针对具有未知动态的不确定非线性系统展开以下研究:（1）针对一类具有未知动态的严格反馈不确定非线性系统,解决了具有预定逼近集的自适应神经网络跟踪控制问题。首先,通过信号置换技术将系统未知动态的状态变量替换为由系统状态误差、所需期望跟踪信号及其高阶导数和神经网络的最优权值估计量组成的向量,用作神经网络输入信号。再通过障碍函数约束状态误差,结合微分方程理论求解神经网络最优权值估计量的范围,预先定量确定神经网络逼近集,从而利用神经网络来处理系统的未知动态。在无需系统模型信息的情况下,实现了系统的跟踪控制,并通过仿真算例阐明了所提算法的有效性。（2）针对一类具有未知幂次的不确定高阶非线性系统,探究了具有预定逼近集的自适应神经网络跟踪控制问题。通过利用信号置换技术,障碍函数,微分方程理论,结合相关不等式放缩,设计了不依赖于高阶非线性系统未知幂次及幂次上下界的自适应神经网络控制器,预先定量确定了神经网络逼近集。所设控制器不仅可以确保所有闭环信号一致有界,且实现了具有预定逼近集的自适应跟踪控制。仿真结果表明,所设控制器可以有效应对模型信息未知和幂次信息未知的情况。（3）针对一类具有未知控制增益的不确定非线性系统,探究了具有预定逼近集的自适应神经网络渐近跟踪控制问题。基于信号置换技术和障碍函数,确保神经网络输入信号始终保持在某一已知逼近集内,保证了神经网络有效可靠的逼近/拟合效果。所提算法确保了渐近跟踪控制性能,而不涉及系统模型的任何先验知识。仿真算例结果阐明了所提算法的有效性和正确性。