本文沿着理论研究与工程实际相结合、创新与实用相结合的思路,根据自适应神经网络控制理论的现状、存在的问题以及工程实际应用的基本要求,对未知非线性多输入多输出系统的控制理论进行了深入的研究,建立了系统化的整体设计框架,为解决某些传统方法难以解决的工程实际问题提供了新思路。本论文主要研究了一类未知多输入多输出非线性系统的自适应控制问题,提出了两种在线自适应控制器。第一种是基于GP-RBF算法的自适应RBF神经网络控制器(A-RBFNNC)。采用所提出的神经元灵敏度概念,并结合超球体聚类的方法,建立了一种新颖的增加和删除规则,在线确定RBF神经网络的结构和参数。当误差满足一定要求时,该控制器转入按照基于Lyapunov稳定性理论的自适应律进行网络权值的进一步调整,保证了控制器的全局稳定性和收敛性。第二种是基于一种混合遗传算法,针对非线性系统设计了一种自适应RBF神经网络控制器。文中将改进的标准遗传算法与梯度算法相结合,设计了一种混合遗传算法。所设计的控制器首先利用混合遗传算法在线确定RBF神经网络的结构和初始参数,然后按照基于Lyapunov稳定性理论的自适应律进行神经网络权值的进一步调整,保证了闭环系统的全局稳定性和收敛性。所设计的两种控制器都不需要先验知识就可以在线确定神经网络的初始结构,不仅无需辨识被控对象的模型就可进行神经网络控制器的在线设计,而且神经网络控制器的学习过程和系统的控制过程同时进行,不需要特定的教师信号,避免了离线训练通常存在训练数据不足的问题;基于Lyapunov稳定性理论设计的自适应律,保证了控制器的全局稳定性和收敛性。两关节机械手的仿真实验和锅炉内胆与夹套水温的控制实验证明了所给方法的有效性,不仅实现了神经网络的结构和参数的在线自适应,还保证了闭环系统的全局稳定,鲁棒性好。