神经网络控制是智能控制的重要分支，是当前控制领域的研究热点之一。本文主要对前馈神经网络的训练算法及前馈神经网络在自动控制中的应用进行了研究。GEKF算法自从提出以来以其优越的收敛性能得到神经网络界学者的广泛承认，但是由于GEKF算法具有很高的计算复杂度和存储要求，这大大限制了GEKF算法的实际应用。为克服GEKF算法的缺陷而尽可能保留其优势，一些学者基于降低维数和局部化的思想进行了有益的探索，例如DEKF算法和MEKA算法。本文提出了一种新的前馈神经网络训练算法——局部线性化最小二乘算法，它将整个网络的全局参数识别问题看成一系列子系统的局部参数识别问题，并且将局部参数辨识问题转化成递归的线性化最小二乘问题。仿真表明，本文中提出的新算法与DEKF算法和MEKA算法相比，具有基本相同的计算复杂度，但具有更好的收敛性能，其收敛性能与GEKF算法非常接近。 然后，本文将非线性系统鲁棒无模型自适应控制理论与前馈神经网络相结合，提出一种基于前馈神经网络的非线性系统自适应控制方法。在该方法中，使用前馈神经网络作为系统辨识器，应用局部线性化最小二乘算法对前馈神经网络进行在线训练以在运行中快速逼近非线性时变系统，并基于前馈神经网络辨识器来计算出非线性系统的自适应控制律。控制仿真表明，本文提出的非线性系统自适应方法具有计算简单、调节速度快的特点，表现出很强的鲁棒性和抗干扰能力。最后，本文对产生仿真结果的原因进行了简要的分析。