人工神经网络是理论化的人脑神经网络的模型,是模仿大脑神经网络结构和功能而建立起来的一种信息处理系统。神经网络不仅具有自适应学习、较强的鲁棒性及容错性等优良特点,还具有较强的逼近非线性函数的能力,因此在非线性不确定系统的建模中有广泛使用,应用涉及到数学、工程、计算机、物理、生物、经济、管理等众多科学领域。本文首先对单神经元神经网络,BP神经网络,RBF神经网络PID自适应控制方案进行仿真分析比较,结果表明RBF神经网络比其他两种神经网络更适合于系统的建模和辨识。由于在实际过程中无法得到被控对象的精确模型,故设计基于被控对象名义模型的控制律,并用RBF神经网络对非线性不确定系统中的模型参数不确定部分进行建模,通过仿真图可以看出此算法虽然能够有效的抑制外界扰动和最终跟踪输入信号,但在前期其误差较大。当名义模型设计不精确时,RBF神经网络无法进行有效辨识,且系统跟踪性能比较差。为了避免建立名义模型带来的不利影响,我们设计了基于被控对象的反演控制律,并用RBF神经网络修正反演控制律中的不精确项,取得了比较好的控制效果和跟踪性能,但是单纯的反演控制算法抗干扰性太差。所以在本文的第四章,提出一种RBF神经网络与状态观测器相结合的反演控制算法,是将状态观测器的不确定项和反演控制律中的不确定项均用RBF神经网络去修正,然后用通过状态观测器得到的状态去替代被控对象实际的状态。仿真结果表明,即使改变原有被控对象的绝大部分参数,我们也能精确估计系统的状态且还不需检测系统的实际状态。采用此算法不仅能够提高系统的鲁棒性和控制精度,而且能有效地克服扰动带来的误差。