在高速网络中，一方面由于网络设备的物理特性限制了网络的传输速率、处理速度和节点的缓冲器容量，因而产生饱和非线性特性；另一方面，传输延迟的时变性、用户接入的随机性以及高优先级业务的突发性和不可控性，使得网络中存在严重的测量误差和干扰。这些不确定因数使得网络拥塞控制问题变得更加复杂。而现有的基于速率反馈的拥塞控制设计多数都没有很好地考虑网络的非线性特征，也没有考虑测量误差和干扰的抑制问题。在多节点的情形下，由于各个交换节点的相互之间的耦合作用，增加了缓冲区队列模型的干扰，与单节点网络相比，对控制器的稳态性能和暂态性能提出了更高要求。控制器设计的目的是：考虑到上述干扰并且不影响高优先业务的情况下，使缓冲区队列长度和ABR源的允许速率分别达到稳定值，即，保证闭环控制的稳定性；避免网络出现严重的拥塞，以减小信元丢失率，保证用户的服务质量；在确保公平性的同时，最大化网络资源的利用率。 为此，本文首先建立了多节点的网络流模型，考虑了网络时延，将测量误差、高优先级业务和多节点网络连接之间的耦合作为系统的扰动。然后，设计了广义预测拥塞控制算法。仿真研究表明，此方法既提高了网络资源的利用率，又保证了闭环控制的稳定性和网络资源分配的稳态公平性，同时降低了了高优先级业务对系统性能的影响。在此基础上，考虑到网络中用户数的随机变动和传输时延的动态变化，而引起队列模型参数的变化，采用自适应方法预估模型参数。从仿真结果不难看出，自适应广义预测算法可以对用户数的动态变化快速做出反应，而当用户数不变时，能够迅速达到期望的目标。最后，针对单节点和多节点网络，引入BP神经网络来逼近网络队列模型的非线性子模型；应用自校正算法，辨识队列模型的线性子模型，设计了基于神经网络的自校正拥塞控制器。仿真证明，算法保证了闭环系统的稳定性、收敛性和公平性，对传输延迟的时变特性和用户的动态变化引起的测量误差具有较好的鲁棒性。