在早期的实际工业应用中,线性控制理论起着至关重要的作用,它通常能够控制系统行为使之达到预期的效果。随着社会的发展,非线性和不确定性不仅会使受控系统性能下降甚至会导致系统无法正常运行,这给实际控制系统的设计带来了严峻的挑战。因此,无论基于理论的发展还是实际应用的需求,非线性控制理论都亟需进一步发展。基于上述问题,本文在深入理解非线性系统理论和智能控制技术的基础上,研究了几类非严格反馈多输入多输出(MIMO)非线性系统的自适应神经网络控制问题。本文的研究内容如下:(1)研究一类带有输入饱和的非严格反馈结构MIMO非线性系统的跟踪控制问题。为了得到理想的控制器,首先利用径向基神经网络(RBF NNs)对未知的非线性函数进行逼近,并利用双曲正切函数来平滑控制输入饱和的尖角。同时,利用杨氏不等式去处理推导过程中产生的非线性项。然后,在反推法的框架下,构造出一种新的神经网络控制器。该控制器能够保证闭环系统中所有变量都是半全局一致最终有界(SGUUB),并且跟踪误差收敛到原点的小的邻域。最后,通过一个实际仿真案例验证了该设计方案的有效性。(2)研究了一类具有扰动的非严格反馈MIMO非线性系统的有限时间近似扰动解耦问题。神经网络作为一种经典的函数逼近工具,被用来逼近未知的光滑非线性函数。然后,利用杨氏不等式处理来自所有子系统推导过程中产生的扰动项。为了实现系统在有限时间内近似扰动解耦,本章首次给出了一种新的有限时间近似扰动解耦准则。在此准则下,结合李雅普诺夫函数理论和反推技术,设计了一种新的自适应神经网络控制器。该控制器能够保证闭环系统的所有变量都是有界的,并且实现了有限时间近似扰动解耦。最后,通过一个实际仿真案例验证了所设计控制器的有效性。