机载雷达在实现目标跟踪、空中警戒以及空中侦查等方面具有十分重要的作用,因此其在航空、导航、军事等领域占有重要地位。雷达伺服系统控制性能的优劣直接影响了其目标探测实时性、精确性和抗扰性等性能,因此对于雷达伺服控制系统的研究具有重要意义。雷达伺服控制系统设计主要存在两方面难点:一方面机载雷达工作环境恶劣,极易受风向、气流、温度等环境影响,同时机体震动、载机姿态等也会影响其稳定性与精确性。另一方面机载雷达伺服系统内部由于齿轮转动不可避免地存在诸如部件摩擦以及齿隙死区等非线性因素,因此其数学模型一般很难精确建立。对于这样一个非线性时变系统,若不对其施加合理的控制手段,机载雷达将不能正常工作。因此,本课题将研究基于自抗扰控制的雷达伺服系统并对其进行参数优化,最终实现以较低的控制能量维持良好机载雷达性能的目标。本论文主要研究内容和工作如下:第一,以雷达位置伺服系统为例进行数学模型推导,并将位置伺服系统各部件间的摩擦以及环境外扰考虑在内。同时针对雷达位置伺服系统分别设计了传统自抗扰控制器（Active Disturbance Rejection Control,ADRC）和线性自抗扰控制器（Linear Active Disturbance Rejection Control,LADRC）。由于LADRC参数整定方便,实用性更强,因此本文重点考虑雷达位置伺服系统的线性自抗扰跟踪控制问题。MATLAB仿真结果表明,与传统PID相比,LADRC既可以有效地抑制系统内部摩擦扰动和外部环境干扰,又可以减弱算法对系统模型的依赖,具有很强鲁棒性。然而,为实现雷达位置伺服系统的超高精度运行,控制系统在控制精度方面还有待提高,并且控制系统存在着参数难以在线整定优化的问题。第二,针对雷达位置伺服线性自抗扰控制系统跟踪精度低且参数难以在线整定的问题,本文首先设计了一种基于自适应率的线性自抗扰控制（Adaptive Law Based LADRC,ALADRC）策略。自适应率通过自动调整其控制参数来达到某种控制效果,以适应雷达位置伺服系统动态特性的变化。MATLAB仿真结果表明,与传统LADRC相比,这种复合控制方法可以补偿因控制参数偏差引起的跟踪误差,不仅可以实现更高精度控制,而且可以增强控制器的抗干扰能力,达到最优控制效果。第三,针对ALADRC参数整定缓慢而导致控制精度略微提升的问题,本文进一步提出了一种基于BP神经网络的线性自抗扰控制（Back Propagation Neural Network Based LADRC,BPNN-LADRC）策略。借助BPNN对函数的映射和逼近能力,可以使得控制参数最优解通过最速梯度下降算法自学习得到。MATLAB仿真结果表明,与ALADRC相比,BPNN-LADRC控制精度更高,跟踪误差更小,系统控制性能得到进一步提升。第四,针对BP神经网络由于其静态特性而无法对动态时变系统进行良好控制的问题,本文进一步提出一种基于对角递归神经网络的线性自抗扰控制（Diagonal Recurrent Neural Network Based LADRC,DRNN-LADRC）策略。DRNN是一种动态网络,与BPNN相比其隐含层每个神经元都具有反馈结构与不同程度的延时环节,因此具备一定的记忆与学习能力,且更适合于雷达位置伺服动态系统的辨识与控制。MATLAB仿真结果表明,与BPNN-LADRC相比,DRNN-LADRC跟踪精度更高,控制性能更优。第五,为了更有效地验证以上所提复合控制器的鲁棒性及其在实际应用中的适用性,在跟踪控制器不变的情况下,构造了三个非线性函数即“区间函数”、“锯齿函数”以及“缓阶梯函数”模拟外界环境干扰分别加入雷达位置伺服模型中,并在控制器中加入高斯白噪声干扰。MATLAB仿真结果表明,三个所提复合控制器鲁棒性均令人满意。