在过去的几十年中,非线性系统的控制问题倍受科研人员的关注。迄今为止,人们已经取得了许多重要的研究成果。然而在实践中,不确定性是影响控制性能和整个闭环系统稳定的一个重要因素。类似神经网络和模糊逻辑系统等通用的逼近策略均有良好的逼近能力,可以用来逼近一个紧集上的未知不确定函数。作为下三角系统的主要设计方法,Backstepping方法对其起着重要的作用。因此,我们把通用的逼近函数和自适应Backstepping方法相结合,产生了许多基于逼近策略的自适应Backstepping控制方法。这些方法对下三角结构的非线性系统特别有效。事实上,现实世界中的一些系统,如感应电动机、机器人、直升机、导弹机械系统等,它们均是三角结构的系统。然而,我们在用神经网络逼近未知非线性函数时,随着神经网络数量的增加,自适应参数的数量会不断地增加,这显然就增加了我们的计算量。另外,轮式移动机器人在采用传统自适应神经网络控制(ANNC)方法时,由于神经网络的逼近域依赖于不确定的位置信息,从而找不到合适的方法来确定这个逼近域。所以,此方法只能保证系统半全局稳定,不能实现全局稳定。本文将主要解决上述两个问题,主要内容如下:第一,针对严格反馈非线性系统,我们提出了一种全局稳定的自适应神经网络跟踪控制方案。该神经网络的径向基函数主要用于逼近未知非线性函数和构造自适应Backstepping控制器。这样,闭环系统的输出就可以保证收敛到参考信号的一个小邻域内,并使得闭环系统中的所有信号全局一致有界。该控制策略的主要优点是对于n阶非线性严格反馈系统只需要设计两个自适应参数,而不用考虑神经网络节点的数目。因此,计算量就会大大减少。从而,在实际应用中,该控制策略可以很容易地实现。最后,通过一个仿真例子来验证该方法的有效性。第二,为轮式机器人系统提出了一种新的自适应位置跟踪控制方法。同样,其中的神经网络(NN)径向基函数(RBF)用来逼近未知不确定函数。所谓的前馈补偿方案,就是将其中的参考位置信息作为神经网络的输入。传统的ANNC方案由于不能确定神经网络的逼近域,从而只能得到半全局稳定。本文我们将根据参考信号来预先确定神经网络的逼近域,从而,该控制策略可以保证闭环系统的全局稳定。最后,通过一个仿真例子来验证该方案的有效性。