Se discute un algoritmo de control adaptativo basado en la red neuronal RBF (RBFNN) y el control predictivo no lineal (NMPC) para el control de seguimiento de trayectoria de vehículos submarinos. En primer lugar, en la fase fuera de línea, se utiliza el algoritmo mejorado de compensación de superficie de error de Levenberg-Marquardt adaptativo (IALM-ESC) para establecer el modelo de predicción RBFNN. En la fase de control en tiempo real, utilizando la característica de que la salida del sistema cambiará con la interferencia del entorno externo, se ajustan los parámetros de la red utilizando el error entre la salida del sistema y la salida de predicción de la red para adaptarse al entorno de trabajo complejo e incierto. Esto proporciona un modelo de predicción preciso y en tiempo real para el control predictivo del modelo (MPC). Para la optimización, se propone un algoritmo mejorado de optimización de lobos grises adaptativos (AGWO) para obtener la ley de control de seguimiento de trayectoria. Finalmente, se verifica el rendimiento del control de seguimiento del algoritmo propuesto mediante simulación. Los resultados de la simulación muestran que el RBF-NMPC propuesto no solo puede lograr el mismo nivel de rendimiento en tiempo real que el control predictivo del modelo lineal (LMPC), sino que también tiene una capacidad superior de anti-interferencia. En comparación con el LMPC, el rendimiento de seguimiento del RBF-NMPC se mejora en al menos un 43% y un 25% en el caso de no interferencia e interferencia, respectivamente.