传统的控制任务采用的是时间触发控制。它是指在固定的时间间隔内对系统的状态信息进行采样,并使采样后的状态信号进入系统工作。由于网络的带宽限制,这可能导致控制性能的降低。最近,事件触发控制以其减轻传输负担、节省通信、提高计算效率等优点在控制领域引起了广泛的兴趣,其控制输入仅在违反触发条件时进行更新,降低了执行器的平均更新频率。然而传统的事件触发控制几乎不考虑最优控制。最优是指控制性能最大化和资源最小化的能力,如何找到一个最优控制器是控制界关注的问题,在学术上相当于求解控制系统相应的Hamilton-Jacobi-Behrman（HJB）方程。但在非线性系统中,它是一个不易求解偏微分方程。随着神经网络的发展,采用自适应动态规划（ADP）方法可以轻松的求解出非线性系统最优控制问题。本文将ADP技术与事件触发控制方法的有效结合以达到节省通信资源的目的。论文主要的内容如下:首先,针对有控制约束的连续时间非线性系统,提出了一种事件触发的近似最优控制结构。针对饱和执行器,引入非二次型代价函数,建立了约束非线性连续系统的HJB方程。使用评判网络来逼近非线性系统的代价函数,并用动作网络来估计最优控制律。通过Lyapunov方法推导出在保证闭环事件触发系统的最终有界性的情况下的事件触发条件。通过仿真验证系统是最终一致有界的稳定。其次,基于状态不可测的非线性系统,主要研究了事件触发自适应最优控制问题。由于系统状态的未知,采用神经网络观测器和事件触发方法到来学习系统状态。同时采用动作（actor）-评判（critic）网络结构来学习非线性系统的代价函数和最优控制输入。通过Lyapunov稳定性判据,保证闭环系统的最终有界性。通过仿真可知采用观测器确实可以准确的模拟出状态不可测系统的实时状态轨迹。最后,针对干扰未知的非线性连续系统,主要研究了一种新的事件触发控制方案。通过引入标称系统的无穷积分代价函数,将非线性系统事件触发控制问题转化为非线性系统最优控制问题。然后,采用递归神经网络和自适应评判设计来求解导出的非线性系统事件触发最优控制问题。使用Lyapunov第二方法证明了在所设计的事件触发条件下,系统的状态最终一致有界性。通过仿真证明事件触发方案的有效性。