海底节点式油气勘探技术（Ocean Bottom Node,OBN）是现阶段国内外最有效的深海海底油气勘探技术方法。然而,现有的OBN产品自身无运动能力,难以满足实际地震勘探应用的大规模组网布放需要。在此背景下,通过将OBN技术和自主水下航行器（Autonomous Underwater Vehicle,AUV）技术相结合,产生了一种底栖式AUV的概念,其继承了OBN采集信号质量好等优点,同时又融合AUV技术,具备布放回收效率高、地形适应性强、机动性高、可加密布放等特点,是海底石油勘探技术新的研究热点。然而,当前国内外既没有工程化的底栖式AUV产品,也缺乏配套的运动控制体系,大多研究仍停留在概念阶段。根据上述要求,本文的内容主要涉及如下几个方面:针对底栖式AUV所需实现的任务功能,设计相应的AUV系统工作流程与概念模型。在此基础上,引入预设性能控制方法设计底栖式AUV轨迹跟踪控制器,并利用径向基函数神经网络（Radial Basis Function Neural Network,RBFNN）逼近海流扰动、模型不确定性和推进器故障所产生的集总不确定性。最后,使用自适应方法逼近误差的上界,以消除由于逼近误差无法获知而造成的控制器的保守性,并通过仿真验证控制算法的有效性。针对传统的预设性能方法所采用的指数收敛形式的性能函数存在的参数与实际的收敛速率之间难以建立明确数学关系的问题,本文引入了一种可预先设定收敛时间的改进型性能函数,采用该性能函数和误差变换将底栖式AUV控制系统转化为新的误差系统,然后针对此误差系统设计扰动观测器来估计海流扰动、模型不确定性和推进器故障所产生的集总不确定性,同时利用估计结果构成整体的控制算法。此外,在考虑AUV推进器输出饱和时,引入饱和辅助系统来补偿推进器输出饱和产生的影响。针对底栖式AUV速度与角速度状态量不可测的情况,设计了一种基于龙贝格状态观测器的速度观测器,并且在观测器中引入了RBFNN用于处理系统总不确定性产生的影响。之后,基于反步法、预设性能控制理论以及速度观测器的观测值,本文建立了底栖式AUV的轨迹跟踪控制策略。其中,引入了有限时间性能函数用于提高系统对轨迹跟踪误差动态响应的控制能力。最后,利用Lyapunov理论证明了闭环系统的稳定性,并针对不同推进器故障情况的数值仿真结果证明了所提出的控制方法的有效性。