小波神经网络是由具有相当发展程度的人工神经网络与小波分析理论相结合而产生的，其既拥有小波分析时-频局部化的特点，又继承了人工神经网络强大的自学功能。因为其具备强大的容错与逼近能力，进而使得它在解决一系列复杂的非线性、不确知及不确定系统等的控制问题时，在容错功能、预报效果、收敛速度等众多方面都展示出了强于传统的前向型神经网络的能力，具有广泛的现实应用意义。本文主要研究了小波神经网络的学习算法与结构，并设计出了一个性能优异的控制器。本文选用了遗传算法作为优化小波神经网络的学习算法，但是遗传算法在全局优化方面虽然具备不少独有的特性，然而仍存在一些方面亟需去改善与提高，例如：算法初始参数的选择带有主观性，收敛速度慢，易于陷入早熟收敛、并且每一次迭代误差不稳定等一系列问题。因此本文提出了一种基于小生境技术的改进遗传算法来应用于网络。改进的遗传算法采用了以遗传代数以及个体的适应度为依据而更改的自适应交叉概率,并且加入了小生境技术，使得种群个体在特定环境内生存与进化，可以确保保持多样的种群，此外还将早熟现象加以了克服，使得收敛的速度以及全局的优化能力得到显著地提升，最终使小波神经网络控制器能够得到良好的控制效果。最后，本文以前人的研究为依据，参照二级倒立摆的特征，采用改进遗传算法优化小波神经网络，并设计构造出小波神经网络控制器模块，进行仿真与实际控制实验，进而验证控制器的有效性。