在许多工业和国防领域中，受控对象的数学模型往往事先难以确定，即使在某一条件下被确定了的数学模型，在工况和条件改变后，其动态参数乃至于模型的结构仍经常发生变化，常规控制器不可能获得好的控制品质。在这些复杂的被对象当中，常还广泛地存在着时滞现象，受控对象的固有时滞给系统分析和综合带来很大困难。而时变时滞的特性则使问题更加复杂，因而对此类问题的研究具有重要的理论和实践意义。 本文研究的主要内容为针对一类过程动态特性随系统工作条件的变化而变化，并且能够确定标识工作条件变量同时这些变量可以被控制的单输入单输出时变时滞系统。采用多模型自适应控制的当前模型产生方法、滑模变结构控制策略、BP线性神经网络建模方法及Smith预估控制原理来实现系统的自适应控制，即神经网络滑模变结构自适应控制。 当定常系统结构未知且采用滑模变结构控制策略时，本文采用BP线性神经网络来建立被控对象的数学模型，网络中所有神经元的激励函数都是比例函数。通过连接权及阈值的学习，这样神经网络不仅能实现输入输出之间的非线性映射关系，而且已经学习好的输入输出之间的关系可转化成清晰的解析表达式，基于此解析表达式便于实现滑模变结构控制。 当系统时变且系统结构已知时，对能标识系统工作条件的变量进行模糊划分，根据模糊划分的结果形成多个定常子系统，基于检测到的标识系统工作条件的变量值，计算每个子模型的加权系数，在线获得一个适应实际系统的加权模型，基于此加权模型实施滑模变结构控制策略，实现了时变系统的自适应控制。 当系统时变且系统结构未知时，对能标识系统工作条件的变量进行模糊划分，根据模糊划分的结果形成多个定常子系统，针对每个定常子系统建立相应的BP线性神经网络模型，基于每个BP线性神经网络模型实施滑模变结构控制策略，基于检测到的标识系统工作条件的变量值，计算每个子滑模变结构控器输出的加权系数，在线获得一个适应实际系统的加权控制量，实现了系统的自适应控制。 当系统时变又时滞且系统结构已知时，先对系统进行模糊划分，形成多个子系统，这些子系统都是定常时滞的。系统结构已知时，基于检测到的标识系