本文以智能系统为指导思想，探讨了智能控制的基本理论和基于模糊逻辑及神经网络的智能控制和建模方法。结合进化计算等智能计算方法，着重研究了智能控制的自组织和自学习算法。 全文共分三篇。第一篇首先回顾了人工智能的发展历史，比较了符号主义和联接主义这两种研究范式的各自特点，分析了它们在智能系统中的作用。基于自然智能系统的基本原理，提出了智能控制的一种新型研究范式。本篇最后总结了智能控制系统的学习方式。 本文第二篇采用几种不同方法，深入研究了模糊规则控制系统的结构自组织和参数自学习，并给出多种新颖的自适应模糊控制方法。根据第二类模糊规则系统的特点，提出了一种特殊的神经网络结构，以实现这类模糊系统的在线学习。它被应用于复杂系统的建模和控制，具有明显的优越性。本篇的另一重要工作是，利用模糊系统的特有性能，提出了非线性系统的模糊线性化概念，并给出了相应的模糊子系统辨识和控制器综合方法，分析了模糊线性化系统在两种不同情形下的稳定性。这样，一个非线性系统的控制问题可以等价地转化成线性系统的设计。 本文第三篇讨论基于人工神经网络的智能控制方法。根据信息准则理论和遗传算法，研究了神经网络的结构优化和学习参数确定方法。之后，针对一类非线性系统，提出一种神经自适应控制器结构，并分析了它的渐近稳定性和收敛性。为克服静态前馈网络的不足，将Hopfield网络进行改造，使之适用于动态系统的控制和建模。这种动态网络被用于机器人建模和模型参考自适应控制，取得了良好的效果。