倒立摆是一种多变量、非线性、强耦合的自然不稳定系统，作为控制理论研究中的一种比较理想的实验手段，它能够验证控制系统的可控性、鲁棒性、抗干扰能力和收敛速度等特性。因此，倒立摆实验平台通常用来检验新的控制理论或方法，从而得到广泛应用。本文通过对直线一级倒立摆物理模型的分析，建立了倒立摆的数学模型，并运用SimMechannics工具箱建立了倒立摆的物理模型，经过对比两种模型，最终选择简单、直观的物理模型作为研究对象，并利用现代控制方法验证模型的有效性。在讨论神经网络优缺点的基础上，指出神经网络的自学习能力弥补了传统控制方法的不足，为解决控制问题提供了新的途径。通过对BP算法原理的分析，根据现有的实验条件，提出采用结构并行方式处理信息，并行方式使用的最小误差法，很容易实现网络的收敛。采用多层前向神经网络实现对倒立摆的控制，使用多种控制方法验证了传统BP（Back Propagation）算法的缺陷，收敛速度慢、系统的稳定性差，从而提出采用神经网络结合LM（Levenberg-Marquardt）算法或弹性梯度算法，这种算法采用可变步长的学习速率，在网络训练过程中，根据网络训练的结果改变学习速率，能够很好解决传统神经网络的瓶颈问题，使得网络在整个学习过程中都有较高的学习效率，提高了收敛速度。LM算法是神经网络控制默认使用的方法，在控制领域得到了普遍应用。BP神经网络结合LM算法实现了对倒立摆的控制，并运用SimMechannics工具箱进行仿真，通过倒立摆实验平台完成实时控制。实验结果表明，这是一种积极有效的控制方法，可以很好地实现倒立摆的控制，系统能够快速稳定，具有较强的抗干扰能力和自适应性。