Euler-Lagrange系统是一种具有代表性的非线性系统,它可以描述许多复杂的动力学问题,因此针对Euler-Lagrange系统轨迹跟踪控制的研究具有很好的实际应用意义和理论研究价值。本文提出了三种模糊神经自适应控制方法,为Euler-Lagrange系统的轨迹跟踪控制问题提供了有效的解决办法。首先,针对Euler-Lagrange系统中存在模型不确定性和未知外界扰动等问题,本文提出了一种基于变论域模糊系统的鲁棒自适应Backstepping跟踪控制方法。变论域模糊系统是由带有变伸缩因子的模糊基函数构成,通过伸缩因子根据系统状态的自适应在线调整,实现了模糊系统输入空间的自适应和模糊基函数的自适应,在不增加模糊规则的前提下提高控制精度。仿真研究验证了所提出方法的有效性。其次,为减少逼近器输入维度,降低运算复杂度,本文提出了一种基于极速学习神经网络的混合前馈-反馈鲁棒自适应跟踪控制方法。通过设计前馈极速学习神经网络逼近器,实现了对系统不确定性的有效逼近;与传统反馈逼近控制相比,所提出的前馈逼近器只需要参考量作为神经网络的输入,不仅减少了逼近器的输入维度,而且减少了隐含层节点数,从而极大精简了逼近器结构,降低了运算复杂度;此外,设计H∞鲁棒补偿项,消除未知外界扰动和逼近误差对控制精度的影响。仿真研究验证了所提出方法的有效性。最后,针对速度不可测的Euler-Lagrange系统,提出了一种基于自组织模糊神经观测器的H∞输出反馈控制方法。通过设计自组织模糊神经速度观测器,实现对未知速度的准确估计,并且该观测器能够自动在线生成模糊规则和修剪冗余规则,极大降低了运算复杂度;设计位置跟踪误差和速度误差相结合的滑模面,将系统不确定性和未知外界扰动重组为集总非线性,并设计自组织模糊神经网络逼近器对其进行在线自适应逼近;进而设计H∞鲁棒补偿项,进一步消除逼近误差,以提高控制精度和系统鲁棒性。仿真结果验证了上述方法的有效性。