网络控制系统因为通信网络的加入会造成很多不可避免的网络现象,例如数据丢包、数据量化以及恶意网络攻击等。恶意的网络攻击大致分为拒绝服务攻击、虚假数据注入攻击以及重放攻击三种。网络控制系统受到攻击后会导致系统控制效果下降甚至不稳定从而达不到预期控制目标,因此本文主要研究非线性网络控制系统的安全跟踪控制问题。主要研究内容和贡献包括以下几个方面:首先研究了信号量化和拒绝服务攻击下非线性网络控制系统基于量化数据的迭代学习跟踪控制问题。本文考虑的量化器形式为静态对数量化器。首先,基于扩展的动态线性化方法,设计了一种基于估计输出值的攻击补偿机制来缓解拒绝服务攻击带来的影响。然后,提出了一种基于量化数据的迭代学习跟踪控制算法来保证系统的跟踪性能和均方意义下的有界输入和有界输出的稳定性。在基于量化数据的迭代学习跟踪控制算法的设计过程中只使用了系统的输入和输出数据,并利用压缩映射原理和数学归纳法进行了严格的数学证明。最后,通过数值仿真,验证了该基于量化数据的迭代学习跟踪控制算法的有效性。其次研究了传感器故障和拒绝服务攻击下的非线性网络控制系统基于数据的安全容错迭代学习控制问题。首先,利用径向基函数神经网络对传感器故障函数进行逼近,并在迭代域中提出了一种拒绝服务攻击补偿机制,以减少拒绝服务攻击带来的影响。然后,利用动态线性化技术,将考虑故障和网络攻击的非线性系统模型转化为线性数据模型。此外,基于所得到的线性化数据模型,设计了一种新的基于数据的安全容错迭代学习控制算法,以保证系统的跟踪性能。该过程仅使用了系统的输入输出数据,并利用压缩映射原理证明了系统的稳定性。最后,通过数值仿真验证了所提出的安全容错迭代学习控制算法的有效性。最后将基于数据的思想应用在车辆队列中,提出了一种无模型自适应控制方法来解决车辆队列系统的车辆跟踪问题。所考虑的系统受到非线性加速度不确定性和未知的有界输入的影响,将导致车辆队列系统的性能下降和建模困难。为了解决这一问题,采用无模型自适应控制方法,基于车辆的输入输出数据建立等效数据模型。然后,设计了一种自适应控制器来控制车辆,使车辆之间的间距保持相对统一。最后,通过一个数值例子证明了该方法的有效性。