用于船舶操纵的自动舵是船舶系统中不可缺少的重要设备，随着对航行安全及营运需求的增长，对自动舵的要求也日益提高。上世纪20年代，美国的Sperry和德国的Ansuchz在陀螺罗径研制工作取得实质进展并分别独立地研制出机械式的自动舵后，人们对自动舵的研究就从未间断过。后来随着电子学和伺服机构理论的发展和应用，集控制技术和电子器件的发展成果于一体，出现了PID操舵仪；20世纪60年代末，由于自适应理论和计算机技术得到了发展，将自适应理论引入船舶操纵成为可能，于是形成了自适应自动舵。但它们由于各种原因存在着这样或那样的缺点，使得控制效果难以保证。 直到智能控制理论应用的出现，为自动舵的研究才开辟了更广阔的空间。智能控制方法符合人类思维方法，主要是模糊控制、神经网络控制等以及这些控制方法的综合应用。模糊系统是仿效人的模糊逻辑思维方法设计的一类系统，这一方法本身就明确的说明了系统在工作过程中允许数值型量的不精确性存在。另一方面，神经网络在计算处理信息的过程中所表现出的容错性来自于其网络自身的结构特点。而人脑思维的容错能力，正是源于这两个方面的综合—思维方法上的模糊性以及大脑本身的结构特点。模糊神经网络是一种集模糊逻辑推理的强大结构性知识表达能力与神经网络的强大自学习能力于一体的新技术，它是模糊逻辑推理与神经网络有机结合的产物。 本文主要对模糊神经网络自组织控制器在自动舵中的应用进行了研究，综合了模糊控制和神经网络的应用。由模糊神经网络控制器(FNNC)实现模糊控制系统中的模糊推理和逆模糊化，通过对FNNC的离线训练，让其学习、记忆人们的经验知识，训练好的FNNC实现对人们控制行为的模拟，同时根据被控过程的运行状态在线自调整、自学习(调整FNNC权值、修改控制规则)，给出合适的控制量，进一步改进控制效果；用PNN网络实现模糊控制系统中的知识库的组成和更新，通过对其离线训练记忆性能测量指标，将训练好的PNN接入控制系统中进行在线学习，其输出作为FNNC的学习信号。 在神经网络离线训练时应用了基于达尔文进化论的遗传算法，为了解决一般遗传算法的早期收敛和陷入超平面等问题，采取对交叉和变异率自适应调整的方法来提高搜索效率。另外对常规Kalman滤波算法进行改进，提出推广Kalman滤波算法。 最后通过用VC++和MATLAB编程对模糊神经网络控制器在船舶操纵中的应用进行了计算机仿真，通过与PID和自适应的控制效果相比较，说明了模糊神经网络控制的优势所在。当然智能控制和其他控制方法相比较仍属于新生事物，尤其在实际的应用中受硬件限制较大。文章最后针对这些问题，结合新理论（耗散结构理论、协同学、混饨动力学理论、蚁群算法等）的出现和计算机技术的飞速发展，对智能舵的发展前景进行了展望。