伺服转台在航空、军事、通讯等领域有重要应用,是雷达、射电天文望远镜、测试转台等装备的基础组成部分,其制作工艺和控制水平的高低对整机性能有至关重要的影响。传统对伺服转台的研究局限于线性模型和PID控制策略,无法满足各领域飞速发展对其提出的新要求,因此对其非线性建模方法和控制策略开展研究具有重要的实际意义和理论价值。本文以两种型号的雷达伺服转台为研究对象,开展了如下工作：首先基于模糊控制策略,将模糊控制与PID控制相结合,并引入前馈控制提高系统性能,获得的混合智能控制策略在XX1型转台上加以应用获得良好的过顶跟踪效果,证明了该算法的有效性、易实现性。接着对直流力矩电机驱动的XX2型转台,在机理建模与非线性作用因素分析的基础上,提出用Hammerstein模型描述系统的输入输出关系。设计系统辨识实验,应用粒子群优化算法对实验数据进行处理,引入递推工具变量法获取粒子的初始值和搜索范围,改进后的RIV-PSO有良好的参数寻优能力,通过曲线对比和拟合度计算验证了算法的有效性和模型准确性。针对获得的Hammerstein模型,提出非线性预测函数控制NPFC。在已有线性预测函数控制的基础上,将其作为中间子系统,获得的中间变量作为非线性优化目标,应用遗传算法进行全局寻优,获得全局最优控制器输出。该算法计算负担相对较小,可尽量减小传统两步法中产生的结算误差,同时不需要对Hammerstein模型的非线性表达式有结构上的约束。最后,针对电机驱动伺服转台普遍存在的过零畸变、极限环、死区等多工况问题,将切换控制引入伺服转台的建模研究,提出用多个子系统分别描述不同模型输出状态下的伺服转台输入输出关系,为多模型切换控制奠定基础。在切换模型的参数辨识过程中,将子模型建模作为多个子目标,将连续系统子模型间平稳切换作为约束条件,整个问题归纳为有约束多目标优化问题CMOP。对该问题提出了两种不用的粒子群寻优算法：其一,应用单目标全面学习粒子群算法CLPSO,对粒子的更新利用所有粒子的历史最好位置的信息；其二,基于启发式的多目标优化方法,提出了基于Pareto的多目标粒子群算法MOPSO。实验比对说明了该切换模型的有效性。论文的研究工作得到某军工研究所委托科技项目《跟踪雷达伺服系统建模与仿真研究》及校级青年科学研究基金《雷达伺服系统的混合智能控制算法研究》的共同资助。