当飞机出现故障或者遭到意外损伤时，通过控制系统的重构实现飞机最低安全性要求，保证飞机飞行任务的继续执行或者安全返航具有重要的意义。本文针对非线性飞行控制系统，研究了基于神经网络的容错控制方法，论文所做的主要工作如下：　　 首先，研究了RBF神经网络的几种学习算法，分析了不同算法的优缺点。在传统RBF神经网络基础上，通过增加输入输出间的线性环节，给出了一种改进型RBF神经网络结构，并通过仿真验证了改进型RBF神经网络在非线性函数逼近效果上所具有的优越性。　　 其次，针对飞行控制动态系统故障状态下安全飞行问题，设计了基于自适应神经网络的模型参考容错控制方法。该方法在模型参考自适应控制的基础上，引入神经网络补偿器克服执行器故障和干扰对系统的影响，使其输出始终跟随参考模型的输出。通过采用改进型RBF神经网络，应用最近邻聚类法和新的自适应C-均值聚类法训练神经网络，并在线调整神经网络的权值和阈值，提高了神经网络的收敛速度。同时，证明了该闭环容错控制算法的稳定性。仿真结果表明该方法的有效性和可行性。　　 最后，针对三自由度飞行器控制系统，提出了一种基于自适应神经网络的三自由度飞行器动态逆容错控制方法。采用非线性动态逆方法，对于系统建模不确定和执行器故障等因素导致的逆误差应用神经网络在线补偿。通过李雅普诺夫方法设计神经网络权值自适应调整律，保证了闭环系统误差信号的有界性。算法仿真表明，在飞行器发生执行器故障时，系统能够快速重构控制律，保证飞行控制系统的性能。