近几年来，基于神经动力学模型(Shunting Model)的神经网络已经在机器人地图建立、运动规划、虚拟装配等方面得到了应用；然而，神经动力学在信号处理、非线性动态系统建模和控制中的应用还没有引起重视。对于一些典型的非线性系统的控制问题，本文提出了基于神经动力学模型(Shunting Model)的一些控制新策略。通过倒立摆的稳定控制、移动机器人的跟踪控制的仿真研究验证了本文所提出方法的有效性。 本文通过将Shunting Model 与常规PID 控制规律相结合，提出了一种动态神经元PID 控制器。这种控制器具有增益自调整和非线性滤波等特性，用它可以构造一类柔性、安全的控制系统。此外，在动态神经元PID 控制器的基础上，通过引入非线性鲁棒补偿控制，提出了神经元PID 控制器与鲁棒补偿控制相结合的复合控制策略，有效地解决了一类参数不确定非线性系统的鲁棒控制问题。通过倒立摆的稳定控制仿真验证了这两种控制策略的有效性。针对非完整移动机器人的导航控制问题，本文提出了由基于生物神经元模型的速度控制器和基于滑动模的力矩控制器所构成的一个跟踪控制系统新结构。将三个动态神经元(Shunting Model)嵌入到基于Backstepping 的速度控制器中，使得速度控制器的输出光滑、有界，从而有效地解决了移动机器人跟踪控制中存在的“速度跳 变”问题。由于所提出的控制系统的内部传递信号与系统输出是有界，从而保证了移动机器人导航控制的安全性。 本文在研究神经元模型Shunting Model 有关特性的基础上，提出了参数自适应的神经元模型。通过将参数自适应律引入到神经元模型，使得这类神经元具有参数自适应非线性滤波器的功能，扩展了Shunting Model 的功能和应用范围。将自适应神经元嵌入基于Backstepping 的速度控制器，进一步改善了跟踪控制的快速性和精确性。