船舶航行过程中，其装载量的变化、航速变化和海浪干扰都会引起严重的非线性控制问题，要克服这些问题，就需要有自适应能力较强、鲁棒性较好的控制器。目前，大部分控制器的设计仍依靠确定的模型，在恶劣环境和航行出现变化情况下无法满足控制需求。于是，在如何改善船舶航向控制性能方面，国内外许多研究人员做出了不懈的努力，取得了一定的研究成果。在这种发展趋势下，本文考虑到神经网络具有逼近任意非线性函数的能力，于是结合PID控制与模糊理论的鲁棒性，将三者同时应用于船舶航向控制中，设计出基于BP神经网络的船舶航向模糊PID控制器，并分别在无海浪干扰、有海浪干扰和模型参数摄动的情况下进行了实例仿真研究，仿真结果说明该控制器很好地解决了非线性控制问题。本文首先分别对课题研究的历史背景及意义、船舶航向控制发展现状以及神经网络控制发展现状进行了简单介绍。然后介绍了船舶航向运动数学模型、舵机数学模型和环境扰动模型，其中主要分析了船舶六自由度模型并推导出一阶野本非线性模型，给出了舵机伺服系统仿真图并对海浪谱分析与海浪干扰力矩进行了仿真。其次介绍了神经网络的基本模型、工作方式；详细阐述了BP网络及其学习算法，并对神经网络稳定性进行了简要分析，说明了神经网络的稳定性与收敛性，为神经网络的自适应可行性奠定基础。再次，介绍了基于BP神经网络的自适应PID控制方法，针对该控制算法的需要，设计了相应的预测模型；因为该控制系统收敛速度慢且有时会逼近局部最小，为了避免这个缺点，本文将模糊理论应用于该系统，设计出模糊化模块，将其加入该控制系统，仿真结果表明收敛速度有所提高，该控制方法的设计思路是可行的。最后分析了共轭梯度算法，因为负梯度算法很大程度上决定了它的共轭特性，所以它有不能达到全局最优的缺点。于是，本文提出改进共轭梯度算法，由于改进共轭梯度BP方法在算法复杂性不变情况下，网络收敛速度加快且沿共轭方向达到全局最优，于是本文将改进共轭梯度BP算法代替普通BP算法，并在控制系统中加入模糊化模块，设计出基于改进BP神经网络的模糊PID控制系统。实例仿真说明，此方法在船舶航向控制方面具有较强的鲁棒性，说明该控制方法是可行的。