饱和是控制系统中最为普遍的非线性现象之一，大多数执行器不可避免的会出现饱和。如果执行器的输入量达到一定限制，就进入了饱和状态，因为进一步增加输入不能对执行器的输出产生任何影响，执行器的饱和将使系统的动态性能降低，甚至导致闭环系统不稳定。 随着现代技术的发展，控制系统的精度要求越来越高，例如数控机床、机器人操作手、微电子装配单元、高速硬盘等都需要进行高精度控制。但是由于饱和等非线性的存在，经典的控制算法很难保证所要求的设计精度。为消除饱和非线性的影响而采用更高精密的仪器设备将使得整个控制系统造价昂贵；然而，如果能够采用先进的补偿策略，使得采用相对廉价的仪器设备来满足精度要求成为可能。小型和微型计算机及其电力电子技术的发展为各种控制算法的实现提供了更大空间，寻求更高性能和更高适应性控制算法成为实现高精度控制的捷径。本文针对具有执行器饱和的系统进行控制器的设计研究，寻求理想的饱和补偿策略，实现高精度的跟踪控制。 本文首先对当前的饱和补偿策略研究进行了回顾，接着针对不同的应用对象提出了三种不同的控制策略实现了饱和补偿，完成系统的高性能跟踪控制器的设计。三种方法为合成控制方法、模型参考自适应方法和神经网络自适应方法，其中合成控制设计方法及模型参考自适应设计方法是针对具有执行器饱和的定常系统设计，神经网络自适应方法可以应用于时变系统。 合成控制器设计方法以经典控制理论为基础，通过极点配置使系统达到期望的跟踪性能指标，然后设计具有抑制超调能力的非线性律，达到既能提高系统的响应速度又能保证输出有较小的超调量，实现较好的跟踪性能的目的。模型参考自适应设计以给定的模型为参考，自适应机构自动调节控制器参数，不论系统是否进入饱和，系统将按照参考模型的特性运行。设计方法可以推广到任意相对阶的系统，能够实现对参考输出的跟踪。第三种设计对于具有Brunovsky标准型的非线性时变系统提出一种权系数可在线调节的神经网络饱和补偿算法，采用了RBF神经网络对控制器输出超出饱和部分进行估计补偿。该算法的另一突出优点是考虑了网络重构误差和外部干扰，利用Lyapunov理论证明了该算法能够保证系统半全局一致最终有界，且跟踪误差以已知的形式可以自由调节。由于所考虑的系统具有未知函数，使神经网络设计方法具有广泛的应用性。 所提出的三种设计方法，均给出了稳定性的证明和仿真算例及结果，仿真结果表明三种方法都是有效的。