随着科学技术的进步,离散控制系统逐渐成为了控制理论研究的热点,而且越来越多的控制系统表现出了很强不确定性。面对这些具有不确定性的离散系统,经典的控制理论往往无法得到很好的控制效果。近年来日渐兴起的智能控制技术能够很好地解决这类具有复杂不确定性系统的控制问题,成为了控制领域研究的热点。神经网络控制是一种重要的智能控制方法,具有极强的自适应能力。它利用神经网络逼近非线性函数的能力,通过不断更新各层神经元之间的连接权值来实现对那些无法用确定数学模型描述的系统的建模或控制器的建立。相对于传统的控制方法,神经网络控制能够很好地应用于不确定系统的辨识和控制之中,具有非常好的稳定性和安全性,有很大的研究和应用价值。虽然神经网络控制能够解决许多传统控制理论无法解决的问题,但是关于神经网络控制理论性的研究目前依然比较少。在控制领域中,人们最关心的是控制系统的稳定性问题,但是目前神经网络控制的稳定性研究大多是基于连续时间系统的,关于离散时间系统的神经网络控制的稳定性研究还比较少。本文针对一类不确定离散时间系统的跟踪控制问题,设计了一个基于神经网络的控制模型,该模型可以在系统内部结构未知的情况,通过神经网络近似计算系统下一时刻的输出,从而达到对系统的控制目的。此外,针对神经网络中的BP算法在权值系数迭代过程中出现的不稳定情况,本文提出了一种神经网络鲁棒迭代算法。该算法根据李亚普诺夫稳定性理论,在神经网络权值系数迭代过程中引入了“死区”,从而避免了权值系数迭代过程陷入局部极小值的情况,保证了整个系统的跟踪误差能够收敛。通过两组仿真实验可以看到,对比神经网络标准的BP算法,使用本文提出的鲁棒迭代算法的神经网络控制模型,无论在信号的跟踪质量还是跟踪误差的收敛速度上都有了明显改善。