导向钻井稳定平台是旋转导向钻井工具中的关键环节,对其准确、快速的控制能够直接影响钻井的效率和可靠性。由于受井下复杂多变的环境及各种摩擦影响,难以建立准确的稳定平台数学模型,因此传统的控制方法已不能满足对稳定平台的控制要求。本文应用了神经网络和滑模变结构控制理论相结合的控制方法,实现了对稳定平台的控制。针对旋转导向钻井稳定平台存在的摩擦问题带来的不确定性,提出了RBF神经网络的自适应滑模变结构(RBF Neural Network Adaptive Sliding Mode Control,RBFASMC)控制方法,以提高稳定平台控制的精确性和抗干扰能力。使用RBF神经网络对稳定平台模型中的不确定性进行逼近,通过设计RBF网络节点的唤醒与激活阈值来减少网络规模,同时设计权值调整的自适应律,并结合滑模变结构控制增强系统的鲁棒性。仿真实验表明,在该控制方法下稳定平台系统能够实现对工具面角进行高精度的跟踪,同时在鲁棒性实验分析中,系统具有较强的鲁棒性,能有效消除参数和扰动的变化。为了提高稳定平台对工具面角的跟踪速度,提出了RBF神经网络直接自适应滑模变结构(RBF Neural Network Direct Adaptive Sliding Mode Control,RBFDASMC)控制方法。该方法是通过设计控制器参数,来提高系统的收敛和趋近切换面的速度。结合RBF神经网络来逼近系统的未知模型,并考虑到系统未知模型会对控制品质产生不利影响,设计了新的自适应律,证明了系统的稳定性。仿真实验证明,利用该控制方法,对预设的工具面角跟踪效果良好,在参数的摄动下,系统具有强鲁棒性,并且能够有效逼近系统的不确定模型。