多模型自适应混合控制由于候选控制器间的软切换，系统的过渡过程比较平滑，易于在实际中使用，但是当系统参数估计误差较大时，控制系统收敛时间会延长，系统的暂态性能会变差。另外，多模型自适应混合控制的研究目前主要基于线性系统，适用范围较小。因此，本文对多模型自适应混合控制方法做了一些改进和拓展，从而扩宽它的应用范围。本文的主要研究工作归纳如下:　　1、针对一类线性离散时间系统，提出了基于局部化技术(Localization)的多模型自适应混合控制方法。首先用局部化技术优化参数集，在每一个时刻，根据条件准则淘汰参数集内不合适的参数子集，建立最优参数集，混合最优参数集内相应候选控制器的输出作为控制器的输出，这样就减少了需要混合的候选控制器数量，加快了控制器的收敛速度，提高了系统在过渡过程的暂态性能。文中给出了系统的稳定性和收敛性的证明。最后的仿真实验结果验证了这种方法的可行性。　　2、为了解决系统参数估计误差对系统暂态性能的影响，针对一类线性离散时间系统，提出了基于切换机制的多模型自适应混合控制方法。该控制器首先根据性能指标函数对系统参数集中的参数子集进行实时优化，淘汰不合适的参数子集，建立覆盖参数真值的系统最优参数集。然后根据切换指标，当参数估计值不在最优参数集内时，实行切换，将参数估计值重置到最优参数集内，即参数估计误差在系统性能允许的范围内，用以保证系统过渡过程的暂态性能。当参数估计值在最优参数集内时，不实行切换，采用混合控制，用以平滑过渡过程。文中给出了系统的稳定性和收敛性证明。最后的仿真结果表明了这种方法的性可行性。　　3、针对一类非线性离散时间系统，提出了基于多模型的自适应混合控制方法。首先将非线性系统在平衡点处线性化获得线性模型，然后在每个工作区域设计对应的线性控制器，各个线性候选控制器间采用混合的控制策略，避免了切换，并在控制器中引入动态自适应神经网络来补偿未建模动态以及建模误差，提高了系统的稳定性和动态性能。文中证明了系统的稳定性和收敛性，最后的仿真实验结果验证了了这种方法的有效性。