四旋翼无人机（quadrotor unmanned aerial vehicle,QUAV）作为一个典型的不确定欠驱动非线性系统,难免存在不确定干扰、状态信息不确定、时变的阻力系数和转矩、模型不确定和系统收敛性等问题,为了使QUAV实现安全且高效的飞行设计固定时间控制策略不仅是学术前沿话题,而且对于QUAV未来的发展具有实际意义。为此本文的主要研究可以归纳为以下几点:一是在QUAV跟踪控制研究之初,首先分析了QUAV的工作原理,然后建立相对的坐标系（空间坐标系和机体坐标系）并计算了坐标系间的转换关系,利用牛顿-欧拉策略设计了QUAV的数学模型。同时分析了固定时间控制理论的优越性。二是针对传统滑模控制中不连续的高频开关作用而导致的抖振,利用Super-Twisting算法将离散控制速率转移到高阶滑模面来解决这个问题。与此同时,为了提高QUAV控制系统收敛效率问题,提出了Super-Twisting有限时间滑模控制,能够有效解决系统抖振、提高收敛速度并有效提升鲁棒性能。三是针对神经网络（neural network,NN）设计了固定时间自适应律,误差权值能够实现实际固定时间稳定。之前描述的大多数自适应神经控制器是基于一致最终有界（uniformly ultimately bounded,UUB）或实际有限稳定（practical finite stable,PFS）理论。因此,NN能够在有限时间内逼近非线性系统且不依赖理想权值和估计权重初值。但QUAV系统还存在不够精确的非线性函数、时变参数和状态反馈不可测等问题。四是针对上述问题设计基于扩展状态/干扰观测器（extended state/disturbance observer,ESDO）的固定时间NN跟踪滑模控制,通过扩展状态来观测不确定外部扰动和系统状态信息,并将观测到的扰动信息反馈给控制器以消除扰动。针对QUAV模型中时变的阻力系数和惯性力矩,引入NN使得控制器无需考虑这些非线性不确定性且无需将非线性定义为有界的。在保证固定时间收敛的前提下,更加全面的解决了QUAV系统中存在的问题。针对QUAV利用数值算例进行理论验证,结果表明,通过对QUAV控制算法的研究,能够更加全面的解决QUAV系统中存在的问题。显然,在本文提出的控制策略之下能够确保QUAV安全、高效的飞行。