压电陶瓷执行器在精密加工、高精度定位等场合广泛应用。然而，压电陶瓷执行器本身具有的迟滞非线性特性严重影响执行器的定位精度。同时，迟滞特性又具有频率相关性，使得压电陶瓷执行器的输出受其输入电压信号频率的影响。针对这些问题，本文以模型预测控制技术为基础，提出了压电陶瓷执行器的神经网络建模法和模糊模型建模法、以及基于这些模型的智能预测控制方法。在上述方法的基础上，实现了“粘滞-滑动”压电微动平台的精密定位控制。具体来说，本文的创新之处包括以下四个方面:　　无迟滞逆补偿的双神经网络非线性预测控制:针对逆补偿控制依赖于迟滞逆模型精度的问题，提出了一种基于双神经网络串联模型的非线性预测控制方法。首先，利用神经网络良好的函数逼近特性分别对迟滞特性以及频率相关性进行建模，并构成描述压电陶瓷执行器动态特性的串联型压电陶瓷执行器模型。第二，在上述双神经网络串联模型基础上对压电陶瓷执行器的位移进行预测，并基于此设计了非线性神经网络预测控制器，实现了对压电陶瓷执行器的高精度定位控制。相比于文献中最为常用的基于迟滞逆补偿的控制方法，本文提出的方法无需求解迟滞特性的逆模型，从而有效地避免了迟滞逆模型精度对定位控制的影响。实验结果表明所提出的双神经网络模型比经典Duhem模型具有更高的建模精度。在控制精度方面，所提出的非线性神经网络预测控制器具有比PID控制器更好的控制精度。　　无迟滞逆补偿的动态线性化神经网络预测控制:针对非线性预测控制需在线求解优化问题和物理约束较难处理等问题，提出了一种基于动态线性化神经网络的预测控制方法。首先，利用单个神经网络对频率相关的迟滞特性进行建模，并在每一个采样时刻对神经网络模型进行了线性化处理。在此线性模型的基础上，设计了解析的预测控制律，有利于实现压电陶瓷执行器的高频跟踪控制。此外，还考虑了压电陶瓷执行器的实际物理约束。实验结果表明，单个神经网络模型与双神经网络模型的建模精度基本一致，所提出的控制器在定位精度上具有更好的性能。同时，解析预测控制器与文献中已有的方法进行了对比，取得了更高的跟踪控制精度。　　基于自适应模糊模型的模糊预测控制:针对解析预测控制器对离线模型训练精度依赖性强的问题，提出了基于自适应T-S模糊模型的模糊预测控制器。每个模糊规则下的线性子模型通过离线辨识得到模型初值。同时，引入了模型估计器在线调整模型参数，从而避免初始离线T-S模型精度对控制精度的影响。之后在该自适应模型基础上设计了模糊预测控制器。实验结果表明，在初始模型精度不高的情况下，自适应模糊模型预测控制器仍能够有效地根据跟踪误差调整模型参数，并取得较高的控制精度。此外，所提出的方法在与文献中其他方法的对比实验表明:本方法能够取得更好的控制性能。　　“粘滞-滑动”压电微动平台的定位控制:针对迟滞特性对“粘滞-滑动”压电微动平台定位控制的影响，提出了考虑迟滞特性的平台定位控制方法。首先，研究了基于自抗扰控制的无模型“粘滞-滑动”微动平台定位控制器，该控制器无需对“粘滞-滑动”微动平台本身进行建模，可直接实现对该平台的高精度定位控制。其次，研究了基于神经网络模型的“粘滞-滑动”微动平台预测控制器，实现了对“粘滞-滑动”微动平台的闭环定位控制。实验结果表明上述所提出的两种方法均能实现对“粘滞-滑动”微动平台的精密定位控制。最后，针对粘滞时执行器与末端器之间的相对滑动问题，提出一种基于正-逆神经网络目标位移估计的定位控制方法，该方法利用正-逆神经网络对压电陶瓷执行器的目标位移进行估计，之后控制执行器运动到目标位移从而实现对末端器的定位控制。实验结果表明该方法能够有效地处理执行器与末端器之间的相对滑动问题。