近年来,随着智能化走入日常生活,人们越来越着眼于智能材料的发展。磁控形状记忆合金（Magnetic Shape Memory Alloy,MSMA）作为一种新型的智能材料,因其具有高频响、大行程、能量密度大等特点,被认为是制造微纳执行器的理想材料之一,有着传统机械执行器无法企及的优势。因此,对于MSMA材料进行深入的研究具有重要的意义。然而,由于MSMA执行器输入输出间存在着复杂的迟滞非线性特性,使得它在微纳定位及驱动等领域的应用严重受阻。因此,需要设计合理的控制方法消除迟滞非线性对系统控制精度的影响。本文将从两个方面进行研究,一是围绕如何建立精确的数学模型描述MSMA执行器迟滞非线性;二是在建立迟滞模型的基础上,设计有效的控制策略来减小迟滞非线性对MSMA执行器定位精度的影响。首先,论文介绍了如何建立精确的数学模型来描述MSMA执行器迟滞非线性。介绍了Volterra静态模型及其原理,采用Volterra迟滞模型来描述MSMA执行器中存在的静态迟滞非线性。为了更加精确地描述MSMA执行器的率相关迟滞,在Volterra静态迟滞模型的基础上,提出串联径向基神经网络的方法建立Volterra动态迟滞模型。采用渐消记忆最小二乘法和梯度下降法分别对所建立的静态Volterra迟滞模型和动态Volterra迟滞模型进行辨识,实验结果表明所建立的Volterra动态迟滞模型可以更好的描述MSMA执行器的动态特性。然后,论文介绍了如何设计有效的控制策略来减小迟滞非线性对MSMA执行器定位精度的影响。为了消除或减少迟滞对这一影响,首先基于Volterra迟滞逆模型设计了前馈逆补偿控制器补偿MSMA执行器的迟滞非线性。接下来,为了进一步消除率相关特性对MSMA执行器定位精度的影响并提高控制精度,在Volterra前馈逆补偿的基础上,提出了前馈控制串联径向基神经网络的动态逆补偿控制策略。实验证明,与前馈控制方法相比,所提出的动态逆补偿控制方法具有更高的控制精度,最后采用李雅普诺夫稳定性理论证明了系统的稳定性。最后,论文提出了径向基神经网络直接鲁棒自适应控制方法提高MSMA执行器的控制精度,并考虑饱和函数对系统控制性能的影响,从而更符合实际系统情况。通过李雅普诺夫稳定性理论证明在所设计的考虑饱和函数的径向基神经网络直接鲁棒自适应控制器下系统是稳定的。实验结果表明,与上一章提出的前馈控制及动态逆补偿控制方法相比,考虑饱和函数的径向基神经网络直接鲁棒自适应控制方法具有更好的控制性能,证明了所提出方法的有效性。