随着网络信息化的发展,通过网络传输的资源越来越多。传统的时间触发控制在每一离散时刻周期性地传输数据,此过程会传输大量冗余信息。围绕减少冗余信息传输这一问题,事件触发控制被提出。该方法因为采用非周期方式传输必要信号这一特点而广受关注。对于具有非线性,不确定性和强耦合等特点的实际系统,目前的事件触发控制研究主要采用零阶保持器机制使得在事件触发间隔中的传输信号保持不变。在对系统结构有一定了解的前提下,此机制所产生的控制效果存在一定不足,值得做更深入的研究。针对网络资源受限的一类系统,本文提出了基于模型的事件触发控制方案。此方案的突破在于触发机制和触发模型的设计。基于零阶保持器的机制是保持从网络另一端传输过来的信号不变;而基于模型的机制则是构建一个与原系统结构相协调的模型以提供动态变化的信号。围绕上述思想,本文工作概述如下:首先,本文在网络环境下,针对系统模型精确已知的一类离散时间严格反馈非线性系统分别设计了基于零阶保持器和基于模型的事件触发控制。为了解决上述系统在反步法框架中的非因果问题,本文将原系统结构转换为n步向前预测的系统结构。通过使用Lyapunov函数对上述方案进行分析,可以得到闭环系统的稳定性。随后,本文针对具有未知非线性动态的离散时间严格反馈系统,设计基于模型的事件触发控制。为了解决上述因果矛盾问题,本部分同样转换系统为n步向前预测结构。对系统中的非线性动态,使用径向基函数神经网络来处理。为了进一步节省网络资源,本文创新地按照转换后的系统构建了自适应神经网络模型,并基于此模型设计事件触发控制方案。使用Lyapunov稳定性技术验证闭环系统的稳定性和跟踪误差的收敛性。最后,结合确定学习理论可以进一步优化具有未知动态的非线性系统控制性能。利用确定学习理论,对于系统未知动态知识进行存储。存储的知识可以用于相同或相似任务的控制设计。基于此,本文先在网络资源充足的情况下对系统动态信息进行学习;接着在网络资源受限情况下,利用保存的常值神经网络权值构造出神经网络模型,并基于此模型设计事件触发学习控制方案。使用了确定学习技术的事件触发控制相对于自适应神经网络事件触发控制具有更好的暂态性,更小的稳态误差,并且能节省更多的网络资源。对于本文所提的所有控制方案,本文都进行了相应的仿真实验来验证其有效性。