开关磁阻电机（Switched Reluctance Motor,SRM）是一种新型特种电机,高可靠性、制造和维护成本低、调速范围宽、散热性能好等诸多优势,使其在工业生产、机械制造及汽车电子领域得到了广泛应用。然而,SRM的磁路高饱和与强非线性致使转矩脉动较大,导致其低速运行时效能不好。为了减弱转矩脉动带来的不利影响,本文提出了两种对SRM转矩脉动抑制的控制策略。（1）基于机理特性的D-Sigmoid神经网络电感模型构建及转矩脉动抑制控制与永磁同步电机等其他车用电机不同,SRM强非线性特性由电感非线性机理特性决定。本文根据SRM相电感机理特性,设计D-Sigmoid神经网络激励函数,构建了神经网络电感模型。模型学习过程中,引入转矩偏差预处理方法,加速了神经网络电感模型参数修正。基于构建的神经网络电感模型,设计转矩-磁链模型,其输出作为磁链内环控制的参考磁链,从而实现了SRM转矩脉动的有效控制。以D-Sigmoid为激励函数的神经网络控制策略充分描述了SRM的电感非线性机理特性,改善了系统的动态性能,抑制了转矩脉动。（2）模糊分数阶PID融合D-Sigmoid神经网络的SRM转矩脉动抑制控制分数阶微分用于改善系统动态特性,削弱了系统引入的外部高频干扰;分数阶积分具有抗积分饱和特性,在减少系统稳态误差的同时有效避免了积分饱和。模糊控制对分数阶微分输出模糊化处理,进一步削弱系统外部干扰;D-Sigmoid神经网络对SRM总电感进行建模,转矩分配函数（Torque Sharing Function,TSF）对总电感进行分配。与基于机理特性的D-Sigmoid神经网络电感模型构建及转矩脉动抑制控制策略相比,在精确描述相电感非线性机理特性的同时减小了神经网络参数修正时的运算量。仿真结果表明模糊分数阶PID融合D-Sigmoid神经网络的SRM磁链控制策略能有效减小SRM低速运行时的转矩脉动。在以型号STM32F407ZGT6芯片作为核心的SRM控制系统实验平台上,对本文提出的基于机理特性的D-Sigmoid神经网络电感模型构建及转矩脉动抑制控制策略进行实验。实验结果验证了基于机理特性的D-Sigmoid神经网络电感模型构建及转矩脉动抑制控制策略能有效抑制SRM的转矩脉动,具备良好的动态特性。