目前噪声控制技术主要有两种,一种是主动噪声控制技术,其原理是从噪声源进行控制,利用扬声器产生一个与噪声源等幅反相的抗噪声源进行声音干涉相消;另一种是被动噪声控制技术,利用隔音材料进行噪声控制。主动噪声控制相较于被动噪声控制所难以消除的低频噪声表现尤其突出。因此,近些年国内外关于主动噪声控制的研究日益增多。但由于现有主动噪声控制算法的一些局限性,比如当信号传输通道存在不同程度的非线性畸变或者具有非最小相位特性时,现有的线性主动噪声控制算法甚至完全失效;另一方面非线性主动噪声控制算法对收敛速度和噪声残留的权衡问题仍未有效解决,本文为解决上述相关问题,综合考虑传输通道的非线性畸变和非最小相位特性,并且针对自然界中广泛存在的Alpha稳定分布噪声(α-stable noise)环境,提出一系列的主动噪声控制算法。具体地,本文主要工作为:第一,简要概述了几种经典函数连接型人工神经网络控制结构的非线性主动噪声控制算法(滤波-s最小均方(Filtered-s Least Mean Square,FsLMS)算法和鲁棒性滤波-s最小均方(Robust Fs LMS,RFs LMS)算法)的基本思想。分析现有算法的优缺点后得出,在冲击噪声环境下,传统的Fs LMS和RFs LMS算法性能有着一定程度的退化,据此确定了具体的改进思想是控制消除冲击噪声。第二,以函数连接型人工神经网络为非线性系统建模,考虑自然界中广泛存在的冲击噪声类型,以Alpha稳定分布噪声中的特例-Gaussian噪声为例,提出了一种全新的基于q梯度的滤波-s最小均方(Fsq LMS)算法。相较于传统的最速下降法,q梯度下降法具有更快的收敛速度和更小的噪声残留。为克服算法在实际中参数选择的困难,将q梯度下降法中的q参数设为一个可变值,在牺牲一部分算法计算复杂度的基础上,使滤波器参数能自适应调节。在此基础上,提出了基于可变q梯度的滤波-s最小均方(Fs Vq LMS)算法。第三,针对Alpha稳定分布噪声的一般形式,结合其方差无穷大特性,新的代价函数以离差准则定义,即将代价函数变为误差的p阶矩。运用q梯度下降法,提出了一种更具有一般性的Fsq LMP算法。为了给算法的实际应用提供理论指导,分析了所提Fsq LMP算法的收敛性和计算复杂度,得出了所提Fsq LMP算法的步长收敛范围。第四,基于以上研究,旨在解决定步长的收敛速度和噪声残留之间权衡的矛盾,结合变步长(Variable Step-Size,VSS)策略,提出了基于q梯度的变步长FsqLMP(VFsq LMP)第IV页算法。在算法收敛的初始阶段,由于误差(噪声残留)较大,算法以一个较大的步长迅速达到稳态;到达稳态后,误差变小,算法以一个较小的步长获得较小的噪声残留,从而保证了算法获得快速收敛的同时兼顾噪声抑制能力。最后,通过数值仿真实验,证明了本文所提的几种非线性主动噪声控制算法的性能优越性。本文的研究工作进一步发展和完善了非线性主动噪声控制理论结果。