压电微纳定位平台具有分辨率高、反应快和准确度高等优势,在精密工程领域中获得了广泛的使用。然而,压电微纳平台具有的迟滞特性会使得它定位不准确,不利于压电微纳平台在各个领域中的应用。所以有必要建立准确的模型对迟滞特性进行描述,并采用相应的控制方法来消除迟滞误差,提高其定位精度。本文以压电微纳平台为实验对象,首先利用改进的Bouc-Wen模型来描述其迟滞现象。然后,使用改进粒子群算法对改进Bouc-Wen模型进行参数辨识。最后,采用改进滑模趋近律的径向基（RBF）神经网络滑模控制方法对压电微纳平台进行控制,实现了减小跟踪误差的目的。具体研究如下:首先,本文采用一种改进的Bouc-Wen模型对压电微纳平台进行更好的迟滞拟合。为了解决辨识精度低的问题,提出一种改进的粒子群优化算法。该算法对惯性权重和学习因子进行非线性改进,能够快速找到最优模型参数。仿真结果表明,与标准粒子群算法（PSO）相比,改进粒子群算法（IPSO）具有更好的早期整体搜索能力和更快的收敛速度,提高了参数辨识的精度。其次,为有效提高压电微纳平台的定位精度,在上述改进模型和参数辨识的基础上设计前馈和RBF神经网络自适应PID的复合控制方法。在前馈和PID复合控制的基础上引入RBF神经网络来对PID的参数进行实时调整,解决PID参数无法随外界环境改变进行实时变化,从而导致系统抵抗外部干扰能力较差的问题。实验结果表明,与前馈和PID复合控制相比,引入RBF神经网络后的复合控制方法能够有效的提高压电微纳平台的跟踪精度。最后,为进一步提高定位平台的整体性能,克服前馈补偿控制严重依赖模型建模精度的问题,提出了一种RBF神经网络滑模控制方法。引入RBF神经网络对模型进行逼近,解决了传统压电陶瓷迟滞模型参数多且不易辨识的问题。为减小滑模面的抖振,对滑模趋近律进行改进,采用李雅普诺夫稳定性定理证明滑模控制器的稳定性。针对本文所提出的控制方法,在搭建的压电陶瓷驱动的微纳平台上进行实验验证。实验结果表明改进滑模趋近律的RBF神经网络滑模控制方法增强了压电微纳平台的鲁棒性,提高了系统的定位精度。