本文主要对非线性不确定系统的智能控制方法进行研究，利用传统神经网络、改进的神经网络结构、改进的神经网络学习算法、控制更新算法等对非线性不确定系统的智能控制、自适应控制进行模拟控制分析。主要研究内容可分为以下几点：1、将神经网络逆控制与传统的神经广义预测控制（NGPC）相结合，提出了具有预测能力的基于神经网络的滚动时域优化控制方案，给出了新型控制方案的逻辑结构及控制更新算法，实现了神经逆控制与NGPC的软自动切换，大大提高了NGPC的控制速度及精度。并将其用于连续搅拌反应釜（CSTR）的控制，实验结果表明该方案对非线性不确定系统的控制具有较强的优势。2、对传统的神经网络反传算法进行了统计力学角度的分析，提出了一种新的自适应神经控制律—广义反传神经控制方案，该方案将被控系统作为反传算法的一部分，直接将神经反传识别过程转换为对被控系统的控制过程，实现了识别与控制的统一，该方案不需要单独的神经网络对被控系统进行模型识别或作为观察器对系统行为进行预测，对非线性不确定系统的控制领域研究具有一定的借鉴意义。3、通过几个经典研究的例子分析了应用神经网络学习技术解决系统识别和控制问题的可行性，提出了一种基于Lyapunov稳定性方法，使用神经网络模型综合分析非线性动力学系统的识别和控制问题。对动力学系统的未知非线性用神经网络结构进行建模。开发出了一类基于Lyapunov稳定性的自适应神经网络识别与控制方案，通过增加自适应的滑模控制项，使得即使在存在建模误差的情况下也能保证识别与控制方案的稳定性。并对提出的方案给出了相应的仿真实例，仿真结果表明了该方案对一大类非线性动力学系统具有良好的控制性能。