潜艇作为最为重要的武器承载平台之一,在现代战争中发挥着不可替代的重要战略作用。潜艇的操纵性能是潜艇最为重要的性能之一,在执行某些特殊任务的过程中,潜艇需要在航行停车状态下,对潜艇的深度和纵倾姿态进行控制,称为潜艇水下悬停操纵。良好的潜艇水下悬停操纵可以降低潜艇自身噪声,减少水下耗电量,因而具有重要的战略意义。然而我国对于潜艇水下悬停操纵自动控制的研究还处于起步阶段,因而有大量的基础性研究工作需要完成。本文在深入研究潜艇操纵运动建模与控制技术发展现状以及水下悬停操纵运动控制特点的基础之上,系统地研究潜艇水下悬停运动机理、辨识建模技术以及操纵控制策略。论文主要研究内容如下：首先介绍了潜艇水下运动建模参考坐标系体系以及基于欧拉角法的坐标系转换法则,推导了潜艇垂直面运动方程；在此基础之上,分析了潜艇水下悬停运动的运动特性,建立了潜艇水下悬停运动模型；对悬停操纵执行机构—悬停水舱的工作机理进行了分析,建立了浮力调节水舱供气吹除过程数学模型；以某型潜艇为例计算悬停运动水动力参数,对所建立的潜艇水下悬停模型进行了验证。出于精细控制与悬停控制策略仿真环境构建的目的,系统地完成了对包括初始不均衡量、艇体体积压缩、密度变化干扰、近水面波浪干扰以及海流在内的水下悬停环境干扰力建模；介绍了在悬停环境干扰建模基础上设计的潜艇悬停操纵环境仿真平台设计方案。针对潜艇水下悬停运动机理建模方法存在的不足,提出了基于扩展随机减量技术的潜艇水下悬停运动辨识建模技术。研究了随机减量技术应用的局限性,提出了应用条件更为宽松的扩展随机减量技术,推导了潜艇水下悬停扩展随机减量方程,并以此为基础设计了一种基于加权拟线性回归算法和多层感知器神经网络相结合的混合网络系统辨识技术。在不需要获得系统实时输入数据的条件下,通过扩展随机减量技术计算辨识系统的输入样本,将潜艇水下悬停运动建模工作分为系统阻尼参数,恢复参数辨识和系统耦合参数辨识两部分,分别通过加权拟线性回归算法和多层感知器神经网络独立完成辨识工作。实验结果表明,在绝大多数情况下,本文的混合网络辨识方法都可以提供响应预测误差小于5%的潜艇潜艇水下悬停运动模型。潜艇水下悬停运动过程本质上是一个弱机动,慢时变的动态过程,这为基于系统模型的线性控制方法的应用提供了足够的依据,实际的工程应用也证明了这一点。出于实际应用中对系统自调整实时性要求的考虑,提出了基于快速TS模糊模型的FTFM技术,设计了基于FTFM的潜艇水下悬停解耦模糊PID控制算法。在系统解耦的基础之上,设计潜艇水下悬停模糊自适应PID控制器,使得潜艇水下悬停控制系统在两个被控维度上的子系统都具有参数自调整能力,能够在线辨识PID参数调整模糊规则。实验结果表明设计的解耦模糊PID控制器无论在控制精度,系统时效性,还是模糊规则规模控制方面都表现出良好的特性。出于即避开复杂的潜艇运动建模和干扰力建模过程的考虑,采用不依赖被控对象模型的控制方法来设计潜艇水下悬停操纵控制器。设计了一种基于神经网络表述形式的模糊逻辑控制系统,即具有参数自适应和结构学习功能的模糊神经控制器,称为模糊自适应神经网络控制(Fuzzy Adaptive Neuro-Networks Control, FANC)。FANC系统通过神经网络的连接结构实现该模糊系统从输入到输出变量的映射,采用一种5层前向网络结构,集合了FLS的知识表达和推理能力,ANN的知识获取、学习及适应能力。设计了一种分为自组织和监督学习两个阶段的混合学习算法对FANC系统进行训练。针对潜艇水下悬停操纵这一时变、强耦合和不确定的复杂非线性多输入多输出被控过程,设计了潜艇水下悬停操纵FANC系统以及相应的网络训练算法。实验表明FANC应用到潜艇水下悬停操纵控制中可以取得良好的控制效果。