平流层飞艇具有区域驻留持久稳定、载荷能力强、平台位置优越等优势,是极佳的观测侦查平台,应用潜力巨大,是当前临近空间领域的主要研究方向之一,是世界各国竞相发展的热点。轨迹跟踪控制是平流层飞艇执行任务的关键技术,由于所处环境和自身模型参数的不确定性,导致轨迹的跟踪控制方法成为难点之一。本文结合神经网络优化传统控制策略以及强化学习算法研究具有智能自主性的平流层飞艇轨迹跟踪控制方案,取得一系列研究成果包括:（1）研究反步法与神经网络融合的平流层飞艇水平轨迹鲁棒控制方法,实现水平轨迹自适应控制。基于Lagrange动力学模型的飞艇误差系统,进行反步法设计,获得关于力与力矩的控制律,并采用神经网络对控制律中的增益参数进行寻优处理,有效降低飞艇模型参数摄动、风场干扰对跟踪控制结果的影响。（2）研究基于Q-learning算法的平流层飞艇水平轨迹跟踪控制方法,实现不依赖于动力学模型的水平轨迹跟踪控制。基于水平轨迹跟踪问题的观测模型,建立水平轨迹控制问题的MDP模型,将风向角概率作为MDP模型中的动作选择依据,并利用CMAC神经网络生成最优动作序列,优化了Q-learning控制器的在线控制性能,具有较好的鲁棒性和智能自主适应性。（3）研究基于时间差分算法的平流层飞艇高度控制方法,实现高度的自主调控和保持。将上升速度分布作为动作选择依据,根据期望参考高度变化曲线设计回报值空间,进而获得高度调控问题的MDP模型,利用Q-learning算法和SARSA算法实现高度的精准调控,改善PID控制器在模型参数变化时的失稳现象,避免传统强化学习控制器的振荡现象。（4）研究基于强化学习的平流层飞艇三维轨迹智能跟踪控制方法,实现对期望空间三维轨迹的有效跟踪。从离散状态动作空间和连续状态动作空间两个角度出发,将矢量推进装置倾转角和风机-阀门的状态作为联合动作,基于高斯过程动力学模型的贝叶斯强化学习方法,完成对动作的合理分配,实现不解耦条件下航向与高度的联合智能跟踪控制。论文研究发展了平流层飞艇轨迹智能控制理论,深入研究了利用强化学习算法的轨迹跟踪策略,具有一定的理论价值。论文所研究的平流层飞艇轨迹智能跟踪控制方法,在工程实际中,为实现平流层飞艇轨迹跟踪控制的智能自主性提供理论方法上的借鉴。