目前汽车半主动悬架系统控制中,有两个方面较难以解决,一方面是半主动悬架的数学模型,因为半主动悬架系统是非线性系统,同时在不同工况下其状态参数不一样,这就导致了模型会发生变化,因此很难用一个代数表达式精确的描述其模型,另一方面是半主动悬架系统的控制算法,科研人员对半主动悬架系统采用一些控制方法但是没有达到理想效果,所以,使得半主动悬架系统的实际应用还处在初期阶段。本文根据以上这些问题提出采用改进的神经网络算法对半主动悬架系统进行在线模型识别,并在线控制的方法,尝试着解决这些问题。在文中,首先阐述了用于仿真试验的路面激励模型建立原理,并介绍了时域路面模型和空间路面模型的关系,同时分别从四分之一车二自由度半主动悬架系统和二分之一车四自由度半主动悬架系统这两类模型推导了传统半主动悬架的简化代数式模型。在此基础上推导演算了变阻尼减震器的相关参数间的关系,并对变阻尼减振器的性能进行了分析,为后续章节的计算、仿真以及试验提供了依据。因为本文采用了神经网络作为半主动悬架系统的模式识别器和控制器,因此在本文第三章着重论证了采用神经网络的可行性,并进行了仿真试验以验证其使用效果。由于神经网络在使用中需要进行学习,所以会影响神经网络的计算速度,为了提高计算速度,本文对神经网络进行了改进,采用改进的粒子群优化算法(简称IPSO)作为神经网络的学习算法。在第四章则着重论证推导了该方法的优势所在,并通过相应的数值仿真证明采用IPSO-BP算法比采用传统的BP算法更具有优势。在此基础上本文介绍了半主动悬架常用的几种控制方法的工作原理以及采用IPSO-BP算法的工作原理,并详细阐述了采用IPSO-BP算法的控制器结构和控制策略,同时将几种常用控制方法和IPSO-BP算法在半主动悬架系统上进行了对比试验,以验证IPSO-BP算法的有效性。本文还对此控制方法进行了半实物仿真,即根据本文提出的控制方法,进行了控制算法原型硬件在环试验,并将试验数据进行了分析。本文研究的半主动悬架系统控制算法,为车辆半主动悬架的系统的广泛应用和进一步研发提供了理论和试验依据。