实际工程系统往往具有高度复杂动态特性,其控制问题极具挑战性。随着人工智能技术的迅猛发展,人们对被控系统的性能要求越来越高,因此针对复杂非线性系统的预设性能控制尤为重要。目前针对该类非线性系统的有关预设性能控制方法中,大多数方法只能保证跟踪误差在无穷时刻收敛到某种预设的精度,且设计参数的选择对系统初始条件存在依赖性。由于安全性需求或者不同的任务需要,系统每次重新启动时往往具有不同的初始状态或不同的期望轨迹,因此传统的对特定初始条件有依赖性的控制方法将很难满足复杂非线性系统实现不同任务以及安全高效运行的要求。如何保证在存在各种系统不确定因素甚至未知初始条件的情况下,复杂非线性系统能够在人为预设的有限时间内确保某些特定的性能,是本文的研究重点。本文主要针对系统初始条件已知和未知这两种场景展开研究,着重研究系统初始条件已知情况下复杂非线性系统可预设时间的给定性能控制问题以及系统初始条件未知情况下复杂非线性系统在预设时间内实现预定性能的控制问题,主要完成了以下创新性工作。（1）针对一类具有未知时变控制增益矩阵的多输入多输出非线性严格反馈系统的给定性能跟踪控制问题,通过结合基于速度函数的误差变换技术及受限李雅普诺夫函数理论,设计了一种神经网络自适应跟踪控制方案,使得跟踪误差在一个用户选择的预设时间内以某一给定的收敛速度收敛到预定的精度,实现了收敛时间、收敛速度和跟踪精度的可预先设定。此外,通过引入矩阵分解技术消除了控制增益矩阵本身正定对称或其估计值非奇异的假设条件,从而拓宽了该控制算法的适用范围,而且虚拟参数的引入也减少了需要在线更新的参数的个数,进而大大降低了计算负担。（2）针对一类具有执行器故障的多输入多输出非线性标准型系统,研究了该类系统的给定性能控制问题。首先引入速度函数对误差变量与虚拟误差变量作非线性变换,然后再对变换后新变量的每一个元素构造非线性变换,基于这两次误差变换技术,提出了一种神经网络自适应冗余容错控制策略,使得系统的跟踪误差与虚拟误差均能以某一给定的收敛速度在预先设定的时间内收敛到预定的非对称的精度范围,不仅实现了收敛时间、收敛速度以及稳态精度的可设定,而且解决了常规控制方法一般不能实现多输入多输出系统非对称误差约束的问题。此外,与目前大多数只能处理执行器部分失效故障的控制算法不同,该控制策略可以处理某些信道的执行器发生完全失效的极端故障情况,而且整个控制过程中无需备用执行器的硬切换以及故障检测与隔离装置,更易于控制器的实时实现。（3）针对一类未知初始条件及外部扰动情形下的非线性严格反馈系统的预定性能跟踪控制问题,首先构造转移函数对误差作转移转换,然后建立基于变换变量的受限李雅普诺夫函数,借助于核心函数技术,设计了一种鲁棒自适应跟踪控制方案,使得系统的跟踪误差可以从任意有界初值在用户给定的预设时间内收敛到预定的性能区域,消除了常规预设性能控制算法存在的初始误差约束限制。（4）针对未知初始条件下非线性严格反馈系统的跟踪误差和虚拟误差的预定性能控制问题,通过构建误差转移转换以及新的非对称的受限李雅普诺夫函数,设计的鲁棒自适应控制策略使得跟踪误差和虚拟误差均可以在预设时间内从任意有界的初值收敛到预定的非对称的性能区域。该控制方案不仅消除了传统预设性能控制方法存在的初始误差约束限制,而且大大降低了处理非对称误差约束常用的分段连续的非对称受限李雅普诺夫函数带来的分析复杂性。（5）研究了未知初始条件与不可测状态情形下非线性严格反馈系统的预设时间实用跟踪控制问题。首先借助于神经网络技术构建了一种结构简单的状态观测器,然后引入新型的转移转换函数对跟踪误差作非线性变换,结合受限李雅普诺夫函数理论设计出了一套基于事件触发的输出反馈跟踪控制方案,使得具有任意有界初值的跟踪误差可以在用户选定的预设时间内收敛到预定的实用跟踪精度,放宽了系统初始条件约束限制的同时还降低了通讯负担。此外,与现存有限时间输出反馈控制方法不同,不仅系统的收敛时间与系统的初始条件以及其他设计参数均无关,而且该方案既不涉及有限时间观测器,又不涉及分数阶状态反馈,大大降低了控制器设计和分析过程的复杂性。