在过去的二十年中，不确定非线性系统的神经网络控制被广泛的研究。相关研究成果，主要关注的是闭环系统的稳定性。基于目前广泛关注的一致性理论和确定学习理论的启发，我们提出并研究了分布式合作学习策略。论文的主要工作包括以下两个部分。　　第一部分，对于一群连续时间非线性不确定系统，假定系统的结构相同，但是参考信号不同，我们采用基于神经网络的分布式合作学习策略研究系统的跟踪问题。我们的工作主要关注控制过程中神经网络的学习能力。首先，在神经网络权值自适应律之间建立通信拓扑用来实时在线地交流分享权值信息。然后，提出了分布式合作学习控制策略。进一步，在通信拓扑是无向连通的情况下，证明了所有的神经网络权值的估计值在所有状态轨迹的并集内都收敛到它们公共最优值的一些小邻域内。其次，作为一个推论，阐述了确定学习理论是分布式合作学习的一种特殊情况。它学习到神经网络权值估计在每个系统自己的状态轨迹下收敛到各自最优值的小邻域内，而无法将学习到的知识运用到其他系统。所以通过分布式合作学习策略得到的控制器比分散式的学习策略得到的具有更好的泛化能力。最后，一个仿真实例用来验证分布式合作学习的有效性和优点。　　第二部分，对于一群离散时间非线性不确定系统，系统的结构相同，但是参考信号不同，采用分布式合作学习策略讨论它们的跟踪问题和神经网络学习能力。通过建立无向连通的通信拓扑，证明了所有神经网络权值的估计值在所有状态轨迹的联合集内都收敛到它们公共最优值的一些小邻域内。进一步，我们研究了神经系统基于经验的学习效果。最后，我们分别用采用分布式合作学习策略和分散学习策略对同一个例子进行仿真研究。通过对比，进一步验证了分布式合作学习的有效性和优越性。