چکیده: در این پایان نامه کنترل حالت لغزشی دینامیکی سیستم-های غیرخطی با استفاده از شبکه های عصبی مورد مطالعه قرار می گیرد. در کنترل حالت لغزشی دینامیکی توسط انتگرال گیری که قبل از ورودی سیگنال کنترل سیستم قرار می گیرد چترینگ حذف می شود. با این حال، مشکلی که در کنترل حالت لغزشی دینامیکی بوجود می آید این است که یک واحد به مرتبه سیستم واقعی افزوده می شود پس در نتیجه مدل سیستم باید شناسایی شود. برای حل این مشکل، ما دو شبکه عصبی برخط برای شناسایی و بدست آوردن یک مدل برای سیستم غیرخطی نامعلوم پیشنهاد می دهیم. در روش اول، آموزش قانون تطبیقی-عصبی براساس متغیرهای حالت در دسترس می باشد و برای همگرا شدن کران خطای رویتگر به صفر اثباتی وجود ندارد به عبارتی، خطای رویتگر به یک کرانی که کوچک بودن آن تضمین نمی شود همگرا خواهد شد. در روش دوم، آموزش قانون فقط براساس خروجی سیستم است و همگرا شدن خطای رویتگر به صفر نیز اثبات می شود، که این برتری نسبت به روش اول محسوب می شود. برای مقایسه نتایج، کنترل حالت لغزشی دینامیکی را با رویتگر حالت لغزشی در نظر می گیریم. این روش باعث می-شود تا سیستم کنترلی نسبت به هر نویز و اغتشاشی مقاوم باشد. همگرایی کنترل کننده و رویتگر پیشنهادی، با استفاده از قضیه پایداری لیاپانوف اثبات می شود. برای تایید کارایی این روش، از سیستم آشوبی دافینگ هلمز استفاده می کنیم.