径向基函数神经网络(RBFN)以其诸多优点，如坚实的理论基础、参数部分线性及快速的学习算法等，而日益受到重视。本文的研究旨在将该神经网络与非线性控制相结合，更好地应用于工程实际。作者从算法到控制策略做了大量工作，主要贡献有： 1) 针对RBF训练算法中径向基函数中心确定的困难，在分析比较目前较好的算法基础上，提出一种新的训练算法。RBF网络的学习算法中最重要的就是确定网络的隐层中心。从经典的k-均值聚类算法，竞争学习(CL)，到解决死点问题的频率敏感竞争学习(FSCL)方法都存在着难以正确分类的缺陷。Lei Xu等提出的对手惩罚竞争学习(RPCL)算法隐含着FSCL方法，而这两种方法本质上存在着矛盾。为此作者将FSCL结合对手惩罚的思想，给出一种新的聚类算法。该算法即无死点问题，又通过剔除多余的聚类中心，有效地消除干扰聚类中心，算法最后采用单纯的CL方法使已得到的聚类中心更加符合实际值。该算法不仅较以前诸方案具有更好的分类效果，最主要的是，还能够控制多余聚类中心数，而一定量远离样本的多余聚类中心能够为将来新的数据提供储备。 2) 非线性控制一直在控制科学中占有极其重要的地位。特别是进入80年代以来，非线性控制这一领域由于“反馈线性化”理论的兴起而得到蓬勃发展，形成受当前国际控制界高度重视的前沿学科。但反馈线性化方法要求非线性部分为解析的，这就决定了这类方法的局限性。神经元网络描述非线性的特点恰可用来弥补这一方法的不足。作者对近年来众所瞩目的逆系统方法做了详细的分析，并提取逆系统这一具有普遍意义的思想方法，以RBF网络做为直接逆控制器，对该控制器的存在性进行严格的证明。在此基础上对控制器与对象构成的伪线性系统进行进一步控制器综合设计。 3) 一般的控制器设计总是先求出控制对象的模型，再根据模型设计控制器。由于建模过程中对于非线性因素常常考虑不足，导致模型误差。根据信息不增原理，经过设计环节后使得以此模型建立的非线性控制器所用的实际系统已知的信息量进一步减少，设计结果难于满足实际需要。除此以外，设计过程也比较复杂。本文利用RBF网络直接逼近非线性系统的逆动态，并以此作为控制器，同时为适应实际过程非线性模型随工况变化的情况，加入自适应环节