汽车悬架作为车辆结构系统中关键组成，其功用是缓冲及消减外部激励与车辆工况变化所导致的振动，悬架性能优劣决定了汽车行驶平顺性与安全性。在悬架的几种分类中，半主动悬架兼顾稳定性与自适应能力，同时需要很少的外部能源输入。　　本文以MR半主动悬架作为控制对象，针对变论域模糊控制中伸缩因子的描述方式，设计了三种不同的伸缩因子控制器。采用递进的方式，一步一步完善控制器设计中出现的问题，力求设计较为完善的变论域控制器，为变论域模糊控制理论应用于实验模型提供理论基础。研究过程主要分为如下几个部分：　　(1)磁流变减振器力学特性试验及力学模型的建立　　针对本文所选取的磁流变减振器，首先测量分析其内部结构、有效行程、最大电流等基本信息：其次，采用西安力创公司所设计的减振器试验台架对本文所选减振器进行实验数据采集同时进行实验数据整理与拟合：最后通过对比各种减振器力学模型优缺点，选取基于自适应神经模糊推理系统的非参数化模型对本文减振器进行力学建模，为下文半主动悬架系统建模及仿真实验提供模型基础。　　(2)1/2车辆半主动及被动悬架系统建模　　根据上文所搭建的MR减振器费参数化模型，通过自由度分析及模型简化，构造1/2车辆悬架物理模型，并根据牛顿第二定律推导悬架系统动力学方程，并以此建立被动及半主动悬架MATLAB/SIMULINK仿真模型，同时对被动悬架系统进行平顺性分析，为下文验证所设计控制器有效性提供对比数据。　　(3)基于模糊推理的变论域模糊控制器(VUFC-FR)设计　　针对文中建立的1/2车辆磁流变半主动悬架系统控制电流描述问题，首先建立输入电流T-S模糊控制器，该控制器输入为车身加速度及悬架速度，输出为控制电流。同时，考虑T-S模糊控制所存在的过分依赖专家经验的问题，文中构造了两个伸缩因子用以调整T-S模糊控制器两个输入变量的模糊论域，即在模糊规则不变的条件下，根据系统误差大小对T-S模糊控制器的两个输入模糊论域进行伸缩变换，以提高控制器控制效果。的　　(4)基于模糊神经网络的变论域模糊控制器(VUFC-FNN)设计　　针对第二章所建立的1/2车辆磁流变半主动悬架系统控制电流描述问题，采用第三章所设计的T-S模糊控制器。但是考虑第三章所设计的模糊推理伸缩因子控制器存在的不足，即伸缩因子的选择过度依赖于专家经验，设计了一种模糊神经网络结构用以描述伸缩因子，结合模糊控制的语言逻辑能力与神经网络的自适应能力，以期提高控制器控制精度。　　(5)基于模糊神经网络与粒子群算法的变论域模糊控制器(VUFC-FNNPSO)设计　　针对第二章所建立的1/2车辆磁流变半主动悬架系统控制电流描述问题，采用第三章所设计T-S模糊控制器。但是考虑第四章针对模糊神经网络结构所采用的训练算法存在的不足，即采用BP算法训练网络时易陷入局部最优的问题。设计一种融合BP与PSO算法的混合控制策略，其中，PSO算法作为一种群智能算法，其优点是全局搜索能力强，与BP算法相融合，正好弥补其易陷入局部最优的问题，以期获取最优网格节点系数。　　同时，在凸块路面及随机路面激励下，通过与第三章及第四章所得到的基于模糊推理和模糊神经网络的变论域模糊控制半主动悬架性能参数相比，验证本章所设计控制器的有效性。对比发现：上文所设计的基于FNN与PSO的变论域模糊控制器在应用于半主动悬架时，半主动悬架各项性能指标均优于VUFC-FR及VUFC-FNN控制半主动悬架。