几乎任何系统都或多或少地表现出一定的非线性。而在实际控制系统中,最为常见的非线性问题就是饱和问题。由于执行机构自身的物理限制,多数执行器都不可避免地表现出执行力有限这一问题。执行器的饱和现象弱化了系统的执行能力,若忽略该问题而进行控制器设计,将使系统性能恶化,甚至导致系统不稳定,进而无法完成指定任务、造成财产损失甚至人员伤亡。因此,将饱和约束考虑在内的稳定性分析和控制器设计的研究就显得十分重要。本论文以对高铁的学习为起源,研究了两类具有输入饱和约束且含有未知函数或未知参数等不确定信息的非线性系统的理论分析和控制器设计问题,并依据系统的具体情况制定相应的控制策略,最后给出完整地控制器设计过程和验证过程。对于多数实际控制系统,其精确的系统模型是不可得的,而鲁棒自适应控制策略正是解决此种情况下如何设计控制器以保证系统稳定,并满足一定动态要求的控制策略。对所研究系统存在的未知信息进行处理的过程中,不仅应用鲁棒自适应控制技术对含有未知参数系统进行了鲁棒自适应控制设计,而且还借鉴神经网络(RBF神经网络)良好的逼近能力和学习能力对含有未知函数系统进行了神经网络自适应控制设计。在控制器设计过程中,采用将动态面控制(DSC)技术和基于李雅普诺夫稳定性定理的反步(Backsteppping)技术相结合的设计思路,使得控制器设计过程更具系统性,易于工程实现,同时确保被控系统所有状态半全局一致最终有界(SGUUB)。动态面控制技术有效解决了反步技术中的“计算量膨胀”问题,降低了控制器的复杂性。鉴于饱和特性的不可导性,文中采用光滑的双曲正切函数来近似饱和特性,以满足Backstepping方法的使用条件。另外,对跟踪误差以及系统瞬态误差与控制器所选参数的关系进行讨论,对仿真时控制器参数的选取具有一定的指导意义。本文所提出的控制算法不仅能够保证闭环系统的稳定性,而且可以实现被控系统对参考轨迹的有效跟踪。分别在理论推导和MATLAB计算机仿真两个方面进行了研究,验证了各种控制器的有效性。