八十年代以来，人工神经网络的研究已经取得了巨大的进展。在此基础上发展起来的神经网络控制技术，已经成为自动控制领域的前沿科学之一。它已经成为智能控制的一个新的分支，为解决复杂的非线性、不确定、不确知系统的控制问题开辟了一条新的途径。而拥塞控制是网络研究的重要问题之一。本文研究了权函数神经网络和Remes算法，实现了一种新型神经网络并将其应用于拥塞控制技术中。　　 Remes算法是一种寻求函数的近似最佳有理逼近的方法。本文基于权函数神经网络的拓扑结构和最佳有理Remes逼近算法，构造了最佳有理权函数神经网络及其训练算法。通过Remes训练算法对输入样本训练得到最佳有理权函数，使神经网络的连接权可以近似逼近理论权函数与有理权函数之差的最小下确界。本文对这种神经网络的收敛性、收敛速度和误差进行了分析。在初始选取的参考点接近交错组点的情况下，网络的收敛速度可达到二阶。仿真实验说明此算法比BP算法精度高、速度快、训练的样本点少。本文以网络拥塞控制为应用对象，提出一种基于最佳有理权函数神经网络的流量预测的拥塞控制策略。该方法利用最佳有理权函数神经网络具有较好的逼近和泛化能力的特点，来实现控制器对网络数据流量的预测功能，更好地达到了网络拥塞控制的目的。拥塞控制器以缓冲区队列长度为拥塞指示，以采样时隙流量为样本点训练神经网络。训练后的神经网络预测出下一时隙的网络流量。控制器根据预测值反馈信源编率，调整信元输入流，从而避免拥塞发生，使网络保持负载均衡，有效地利用网络带宽。仿真结果表明该方法的有效性。