随着网络用户的增长和新业务的不断涌现,Internet已发展为传送数据、语音、视频等多媒体信息的综合业务网络。而数据流量的增长给路由节点造成了很大的负担,使得Internet面临不断增加的丢包率和网络延时,导致了越来越严重的网络拥塞问题。拥塞控制是保证网络运行和鲁棒性的关键,然而许多流在协议中缺少拥塞响应机制,在竞争资源时会抢占更多的网络带宽,造成了资源分配的不公平性。因此,寄希望中间节点的主动队列管理(AQM)来解决网络拥塞和保证服务质量。本文针对网络中的稳定性与公平性问题进行了研究,并对几种AQM算法的缺陷给出了解决方案。(1)分别研究了基于单神经元梯度学习的自适应AQM算法NGL与基于单神经元强化学习的自适应AQM算法NRL。NGL算法采用梯度学习,算法简单,易于实现;NRL算法是在梯度算法的基础上给出的,采用强化学习,能够根据网络环境自适应调整神经元权值参数,具有较好的稳定性和对环境的适应性。它们不依赖于对象的模型,对非线性,时变系统具有很强的自适应性。(2)针对CHOKe算法队列的稳定性问题,将CHOKe算法中流的鉴别机制与NRL算法相结合,给出了CHNRL算法;针对CHOKe算法在低负载时丢包率过大的问题,将输入链路速率引入到算法中作为拥塞指示,并增加了一个启动门限值,给出了RDT-CHOKe算法。最后通过仿真验证了算法的有效性。(3)针对CSFQ算法的丢包策略不适用于TCP流以及公平性能对缓存过于依赖的问题,给出了采用RED缓存管理策略改进的CSFQ算法(R-CSFQ),对公平共享速率α的估算进行了改进,将丢包概率与缓存占用率结合起来,减少了对TCP流的过度丢弃,降低了对缓存的依赖程度,更好地保证公平性。