针对基于网络的非线性连续系统,相对于传统时间触发的周期采样机制,为了减少计算量及通信传输量,合理地利用有限的网络带宽资源,本文提出了将事件触发方法的非周期性传输控制特点融入到基于网络的非线性连续系统中,体现了一种依据需求的控制方式。同时在基于网络的非线性连续系统中,扰动是不可避免的,对于如何求解非线性连续系统的鲁棒控制优化问题是控制方向的一大难点。在优化控制领域,自适应动态规划（ADP）是一种有效的方法,它不但克服了求解动态规划问题中的维数灾问题,而且基于神经网络的近似属性,能够得到最优控制器。在网络控制系统的背景下,对于非线性连续系统鲁棒控制问题,本文采用基于事件触发的自适应动态规划进行了研究。本文所做的主要工作如下:（1）基于自适应动态规划对具有匹配不确定性与不匹配不确定性的非线性连续系统的鲁棒控制问题分别进行了理论分析。同时也阐述了如何应用自适应动态规划方法解决非线性连续系统的H∞优化控制问题,为了便于辅助理解H∞优化控制问题,介绍了与之相关的零和游戏,并且对H∞跟踪控制问题进行了理论分析;本文还阐述了控制系统中的事件触发反馈,上述内容为后面的章节奠定了理论基础。（2）针对一类具有不确定非线性连续系统的鲁棒最优控制问题,本文提出一种将事件触发方法与自适应辨识-评价-控制学习技术相结合的新型算法。主要集中在基于事件触发方法,利用自适应动态规划解决具有不确定非线性连续系统的鲁棒最优控制问题。首先,利用神经网络辨识来重建系统的未知动态,然后对于新定义的值函数和最优控制律采用评价-控制网络的结构实现鲁棒最优控制;提出了一种新型的事件触发条件,最优控制律只有在违反设定的触发条件时才进行更新,从而减少了计算与通信资源,根据Lyapunov方法证明了闭环系统的一致最终有界性,同时,为了避免触发事件的积累（即Zeno行为）,给出了最小的采样时间间隔。最后,通过仿真实例验证了所设计控制器的的有效性。（3）针对非线性连续系统的H∞最优跟踪控制问题,本文提出了一种基于事件触发的新型算法。新颖之处在于将事件触发方法和自适应动态规划相结合,解决H∞跟踪控制优化问题,同时给出了最小采样间隔时间。首先,为了实现H∞最优跟踪控制,在增广系统和参考系统的基础上,利用事件采样状态,将非线性H∞最优跟踪控制问题转化为二人零和差分策略。通过建立评价网络,以获得增广系统基于时间触发的值函数和最坏情况下的扰动律。通过调整控制网络的权重并选择合适的最优折扣因子来获得H∞最优跟踪控制器。提出一种新颖的自适应事件触发条件,控制网络只有在违反触发条件时才会更新,相对于传统时间触发的周期性形式,从而导致了非周期性调整。为证明了闭环系统的稳定性,采用脉冲动力系统框架并增加了一个鲁棒项。同时,为了避免Zeno行为,确定了最小采样间隔的下界,并给出了采样间隔与神经网络估计权重之间的关系。最后,应用三个仿真例子来验证该算法的有效性。