本文研究了一类含有非线性、不确定性、时滞、混沌因子等多种不良因素的复杂系统的自适应控制问题。结合H∞鲁棒控制、神经网络控制、模糊控制,多模型控制等多种控制方法设计自适应控制器,确保系统闭环稳定性,并满足其动态性能要求。首先提出了一种动态结构自适应神经网络,由于这种神经网络改良于全调节自适应神经网络和动态结构神经网络,因此,其网络的所有参数和隐层神经元的个数均可在线自适应调节,能以最佳网络参数配置和拓扑结构逼近未知函数,从而避免因网络初始设置不当而产生的固有误差,提高逼近精度。其后讨论了基于神经网络的自适应控制问题,将所设计的动态结构自适应神经网络应用到一类复杂非线性系统的自适应控制中。针对具有不确定性的非线性关联大系统,提出了基于DRBF神经网络的H∞鲁棒自适应分散控制方法,解决了子系统之间存在不确定性的非线性关联大系统的稳定性问题;针对飞行控制系统,设计了基于DRBF神经网络的自适应飞行跟踪控制器,克服了这类复杂系统中所存在的强耦合、强非线性及模型不确定性等因素对系统控制性能的影响,使得飞控系统能够稳定且能快速准确的跟踪上输入指令。进一步研究了一类在复杂环境下运行的非线性系统的控制问题。由于环境的变化会造成系统参数或结构的突变,而单一的控制器无法适应这种剧烈变化,这时可采用多模型方法进行有效控制。文中讨论了基于切换式多模型方法的自适应控制,以飞控系统为被控对象,设计了多模型自适应控制器。其中模型集合由模糊模型和多个固定线性模型构成,再分别设计相应的控制器,通过合适的切换性能指标和切换界条件相互配合,选择一个当前控制器作用于系统,并引入DRBF神经网络,实现稳定的全包络飞行跟踪控制。此外,文中针对存在执行器饱和情况的飞控系统,提出了基于加权式多模型方法的自适应跟踪控制器,其中权值参数的更新规则按照模糊逻辑原理设计,并在控制器中增加一个控制隔离环节,以屏蔽饱和信号,保证系统正常运行,再引入DRBF神经网络,以确保系统稳定。通过一系列的控制器改进措施,使得飞控系统最终满足全包络跟踪飞行的动态和稳态性能要求。最后,研究了一类具有不确定时滞的非线性系统的自适应跟踪控制方法,特别针对不确定时滞混沌系统,设计了基于Lyapunov-Krasovskii函数的时滞补偿器,再结合DRBF神经网络构造了自适应跟踪控制器,解决了由混沌因子、不确定性,非线性,以及时滞等因素所引起的系统控制律的设计困难,使得这类系统能够保持稳定,且具有良好的跟踪性能,同时,也再次验证本文所提出的基于神经网络的自适应控制方法可以针对不同的被控对象,通过改进和完善,形成适合的控制方案,有效的实现各自的控制目的。