随着航运事业的发展,船舶朝着大型化、高速化、智能化方向发展,对船舶的操纵性能提出了更高的要求,因而有必要采用新的控制理论和技术,研究性能更好的船舶操纵控制策略。将神经网络技术应用于船舶运动控制成为近年来研究的一个重要方向。径向基函数(RBF)神经网络由于其结构简单、收敛速度快、无局部极小等特点使其在控制中的应用有着独特的优势。本文对RBF神经网络的学习算法进行研究并提出了两种新的学习算法,对RBF神经网络在船舶操纵运动预测控制中的应用进行了探讨。根据控制系统对于神经网络在线应用的要求,本文提出了一种新的RBF神经网络的序贯学习算法——动态正交结构适应(DOSA)算法,通过对定常系统和时变系统的辨识算例验证了其动态适应的性能和良好的鲁棒性。该算法同时具有调节参数少,各参数意义明确,参数可自适应调节以及对参数变化鲁棒性好等特点。神经网络的泛化性能是神经网络的一项重要的性能。本文对基于偏最小二乘法的RBF神经网络算法进行改进,提出利用分级偏最小二乘算法来构造RBF神经网络。该算法在确定PLS算法的主成分提取次数的同时确定隐节点数目,得到的RBF神经网络具有较简洁的结构,同时克服了训练样本多重相关性的影响,具有良好的泛化性能。本文从工程实现控制的角度出发,针对船舶运动非线性和时滞的特点,提出了一种基于RBF神经网络的预测控制方案。该方案利用DOSA算法建立的RBF神经网络进行在线系统辨识和多步预测,并用分级偏最小二乘法得到的RBF神经网络进行性能函数最小化计算。本文最后将该控制方案应用于船舶航向跟踪预测控制,并取得了良好的仿真效果。