随着互联网规模、用户数量以及业务量的增长,新型网络应用也不断涌现,这使得网络拥塞的状况愈加严重和复杂。拥塞控制是尽量避免拥塞以及在拥塞发生时进行有效控制并加以消除的重要手段,对于保证网络稳定起到至关重要的作用,因此拥塞控制一直是网络领域研究的重要问题。主动队列管理(Active Queue Management,AQM)是目前端到端拥塞控制研究的热点,它通过对分组进行有目的的丢弃,从而在拥塞发生前采取一些预防措施,在低延迟和高吞吐量之间达到平衡。本文主要研究网络拥塞控制中主动队列管理算法,主要的工作如下:首先,准确的业务流估计是AQM机制中实现QoS的基本保证,针对现有CARE算法对估计次数、区分水平值和捕获列表长度参数配置的敏感性,提出一种改进CARE业务流估计算法,改进算法以前后两次估计值的误差为判断条件,通过递归不断修改参数,从而减少不合理参数配置对估计结果造成的影响。通过模拟实验证明改进算法的平均误差为4.80%,而CARE算法的平均误差为71.36%,由此证明改进算法可以减少估计误差、提高估计的准确性。其次,主动队列管理是端到端拥塞控制研究的一个热点。针对AVQ算法不能显式控制队列长度的缺点,利用模糊控制不依赖精确数学模型的特点,提出一种模糊自适应虚拟队列管理算法(FAVQ),该算法改变AVQ算法的丢弃策略,定时将当前队列长度与期望队列长度误差和队列长度变化误差作为模糊输入,通过模糊控制模块更新丢弃率,并以此作为数据包的丢弃策略,该算法可以及时的更新丢弃概率。再次,针对FAVQ算法不能动态更新推理规则的问题,利用粗糙集能有效发现隐含规律的特点,提出一种粗糙模糊自适应虚拟队列管理算法(RFAVQ),该算法通过定时提取、约简新的推理规则,动态的更新模糊推理规则,提高队列管理算法的性能。最后,本文在NS2网络仿真器上实现了FAVQ和RFAVQ算法。实验结果表明FAVQ算法可以有效的将队列长度控制在期望值范围,并且使得队列抖动相对较小,另外可以平衡吞吐量和延迟之间的关系,由此证明算法具有鲁棒性和稳定性;而RFAVQ算法能够动态的提取、约简和更新规则,相对于FAVQ算法在各项参数指标上又得到了一定的提高,由此证明算法在更新规则上具有及时性和有效性。