现今,科学技术发展迅速,越来越多的海洋资源被发现,然而,仍有超过90%的海洋资源未被探索。海洋资源的探索与开发需要先进的技术与装备,水下机器人是唯一能够深海工作的重要装备,在海洋开发中具有重要的作用。无人无缆自主式水下机器人（AUV:Autonomous Underwater Vehicle）由于其机动性好、作业范围大等特点,在海洋开发中扮演中重要的角色。AUV工作于复杂海洋环境中,其自主控制需要克服自身强耦合、非线性的特点,以及海流等随机干扰。综上所述,AUV的运动控制已成为一个极具挑战性的课题。推进器是AUV重要的动力部件,也是最易发生故障的部件,对推进器早期故障（弱故障）的及时诊断,对保证AUV自身安全具有重要意义。本文在研究AUV动力学建模、推进器弱故障特征提取基础上,重点研究AUV区域跟踪控制技术。建立较为准确的AUV动力学模型,可以为实现精确的区域跟踪控制奠定基础。本文首先根据AUV运动特性,建立载体运动方程。然后,对AUV进行受力分析,其中重点研究深海环境下,AUV浮力变化的问题。分析不同深度下的海水特性,根据剩余浮力与深度的关系,结合本文实验载体“UVIC-I”号AUV的性能,实时修正动力学模型中的恢复力矩阵,从而建立较为准确的深海AUV动力学模型。AUV动力学模型中的推力损失项的具体数值,需要通过AUV推进器故障诊断技术来获取。AUV运行过程中存在自身噪声和海流干扰,这使得推进器强故障特征提取方法难以提取出弱故障信号中的故障特征,针对该问题,本文从传感器信号和控制器信号的能量域与频域出发,提出一种基于小波包能量与快速傅里叶变换（FFT:Fast Fourier Transform）的推进器弱故障特征提取方法,对推进器弱故障进行多源映射和冗余描述。通过Matlab软件处理实际水池实验数据,对比本文方法与传统小波能量方法,从而验证本文方法具有稳定的、较高的辨识精度。辨识出的推进器出力故障程度,可以作为AUV区域跟踪容错控制的实验基础。针对AUV运行中存在复杂海流干扰、模型不确定性及推进器故障,致使运动控制器的性能下降,跟踪误差无法渐进收敛的问题,本文设计了一种用于AUV区域跟踪控制的控制器,并采用径向基函数（RBF:Radial Basis Function）神经网络在线辨识载体系统不确定性。通过李雅普诺夫（Lyapunov）函数,推导本文基于RBF神经网络的控制器的区域跟踪误差最终一致渐进收敛。通过Matlab/Simulink软件,进行不同环境与不同目标区域下的区域跟踪控制仿真实验,对比传统基于边界势能函数的区域跟踪控制器,验证本文控制器在复杂海流干扰、模型不确定性及推进器故障下,仍具有较好的控制效果。本文在上述研究过程中发现,当AUV实际初始位置与期望区域初始点偏差较大时,传统控制器控制效果较差,甚至可能出现控制失效。针对这一问题,本文设计了一种可用于存在大初始偏差与系统不确定性的情况下的AUV区域跟踪控制级联系统。该非线性级联系统由两个子系统串联而成。第一个子系统采用固定增益的控制器补偿初始偏差大时的跟踪误差。第二个子系统采用RBF神经网络在线逼近系统不确定性,系统不确定性包括海流干扰与模型不确定性。推导级联控制系统的控制律与第二个子系统的自适应律,并通过Lyapunov理论证明AUV实际运行轨迹收敛于期望区域,并稳定维持在期望区域中。通过Matlab/Simulink软件进行AUV区域跟踪控制仿真实验,对比上文RBF区域跟踪控制器,验证本文控制系统在海流干扰、模型不确定性、推进器故障,甚至是大初始偏差情况下,仍具有良好的控制效果。