随着非线性控制理论特别是反馈线性化理论的发展,非线性系统状态观测器的设计以及基于状态观测的非线性控制理论的研究显得愈发重要。针对传统的非线性状态观测器设计方法的缺点,本文将群体智能算法应用于非线性状态观测器设计过程中的优化问题,对基于动态回归神经网络的非线性状态观测器和基于滚动时域优化的非线性状态观测器设计方法进行了深入研究,设计并实现了两类基于粒子群算法的智能非线性状态观测器。本文首先对传统的非线性状态观测器设计原理进行研究,研究表明规范型状态观测器的设计需满足非常苛刻的存在条件,因此在很大程度上限制了规范型观测器的适用范围;基于线性化的非线性观测器设计方法对原系统做线性化近似处理,然后按照线性系统的方法进行观测器设计,因而有较大的局限性;而运用Lyapunov方法设计非线性状态观测器时Lyapunov函数的选择缺乏构造性,所以大多数情况下只能用其作为证明所设计观测器渐近稳定的工具。由此,在阐述了群体智能算法的基本原理之后,本文对基于动态回归神经网络的非线性状态观测器和基于滚动时域优化的非线性状态观测器进行了重点研究。动态递归神经网络是极具潜力的一种建模法,它代表了神经网络建模、辨识和控制的发展方向。基于动态递归神经网络的非线性观测器在一定的初始条件下,具有逼近一般非线性系统状态轨迹的能力。建立基于动态递归神经网络的非线性状态观测器模型,核心问题是网络权值的学习算法,本文提出一种采用粒子群算法的权值学习方法,仿真实验表明,该学习算法较传统的动态BP学习算法具有收敛速度快,收敛精度高的优点,系统具有良好的观测性能。针对满足一致重构条件的一般非线性连续时间系统,有学者提出了一种滚动时域状态观测器,这是一种基于优化的非线性系统状态观测器设计方法,其基本思想是通过最小化区间[t-T,t]上的某个代价函数对t时刻非线性系统的状态进行估计,这种方法具有方法简单,可操作性强,应用范围广的优点,其关键问题在于优化算法的选择。本文提出采用粒子群算法进行滚动时域状态观测器的设计,仿真实验表明,基于粒子群优化算法的滚动时域状态观测器同样具有收敛速度快,状态观测精度高的优点。