在文献综述的基础上,本文研究了在线学习及其在控制中的应用,离线学习及其在辨识中的应用。本文第二章集中于研究一类系统的学习控制,一种周期自适应控制算法被提出来,该方法主要被用来应对周期参数(包括周期和其上界)不确定的一类非线性系统。在学习控制算法中,一个限幅自适应控制律被用来估计未知参数向量；一个逻辑切换算法被用来在线整定参数向量未知周期和上界。使用李雅普诺夫能量函数进行分析,可以得到跟踪误差渐进收敛而且所有系统信号均保持有界的特性。一关节机械手模型被用来测试控制算法的有效性。本文第三章主要集中于学习辨识的研究,主要研究对象是模块化神经网络。对基于“一专多能”思想的模块化神经网络的子网训练算法作了系统的实验研究。在研究过程中,主要运用的“一专多能”的思想可以概括为模块化神经网路的子网不仅学习主要指标,而且学习辅助指标。该章还讨论了距离测度和隶属度次数对系统辨识性能的影响。本文第四章主要目的是为“一专多能”模块化神经网络构建一个高效的学习框架使其成为“多专多能”模块化神经网络。首先,构建了一个纯顺序执行的子网学习算法,并且对收敛性作出了分析。然后,在“多专多能”模块化神经网络中为子网找到一个先充分后等价的学习条件,该学习条件符合先前设计的子网学习指标。十个辨识问题被用来测试新学习框架在应对低维数据时的效率和性能。进一步,偏差和方差分析表明“多专多能”模块化神经网络对性能的改进是存在最大能力的,即不是辅助训练目标越多效果就越好。另外受模块化学习的启发,我们设计了超级神经网络,该网络有“记忆”所有训练样本的能力。