磁控形状记忆合金（Magnetic Shape Memory Alloy,MSMA）是具有磁性形状记忆效应的新型智能材料,具有位移分辨率高、能量密度大、行程大等优势,在高精度定位技术、精密制造加工和生物医学工程等领域应用前景十分广阔。MSMA执行器在磁场的作用下利用MSMA材料的磁致伸缩特性能够产生微纳米级的输出位移,能够运用于高精密定位领域,具有传统执行机构和其它智能材料执行器不可比拟的优势。然而,由于MSMA执行器输入输出间存在着一种非可微和非一一映射的复杂动态迟滞非线性特性,使得系统的建模以及控制的难度大大增加,阻碍了MSMA执行器在高精密定位领域的应用。本文通过建立准确的模型和设计合理的控制方法来消除迟滞非线性,从而提高系统的控制精度,主要研究内容如下:首先,论文在分析了迟滞环的特点以及MSMA执行器的率相关、力相关等迟滞特性的基础上,引入了一种结构简单的新型模型U模型来描述MSMA执行器的动态迟滞非线性。该U模型由两部分串联组成,一部分是采用渐消记忆递推最小二乘法辨识的静态U模型来描述MSMA执行器迟滞非线性的静态特性。另一部分是采用了涅斯捷罗夫加速梯度下降法（Nesterov Accelerated Gradient,NAG）调整权值的小波神经网络（Wavelet neural network,WNN）来描述动态迟滞特性。通过实验证明了所提模型可以精确地描述MSMA执行器的动态迟滞非线性,具有良好的动态性能。然后,针对MSMA执行器特有的迟滞特性对系统轨迹跟踪控制精度的影响,提出了一种基于U模型的神经网络控制方法。与传统的逆补偿开环前馈控制相比,该方法省略了求逆的过程,摆脱了控制方法对逆模型的依赖。为了进一步提高控制精度,在基于U模型的神经网络控制方法基础上,使用鲸鱼优化算法（Whale Optimization Algorithm,WOA）来优化WNN初始权值和伸缩平移参数的初值。实验证明,优化后的基于U模型的WOA-WNN控制方法具有更高的控制精度和更快的收敛速度,而且可以有效避免WNN易陷入局部最优的固有缺陷。最后,论文提出了一种引入了动态扩张收缩因子（Dynamic Expansion Compression Coefficient,DECC）的神经网络迭代学习控制（Iterative Learning Control,ILC）方法提升MSMA执行器在高频输入和高负载下的控制性能。这种控制方法将ILC和神经网络结合起来克服了传统ILC的参数固定、要求迭代初始状态严格重复等缺点。引入的DECC提高了迭代算法的精度并且扩大了算法的收敛范围。本文证明了ILC方法基于约束条件的收敛性。实验结果验证了引入DECC的神经网络ILC有效地解决了WOAWNN控制算法在高频高负载条件下的控制精度问题,且提升了整体的控制性能。