倒立摆作为典型的非线性系统，伴随着多变量、快速运动和绝对不稳定的特征，难于建立精确的数学模型，这就使得对倒立摆的控制变得异常困难和复杂。智能控制理论则是解决此问题的一个有效途径。 　　本文提出了一种基于合成变量的连续型模糊控制算法，大大地减少了模糊控制器的规则数量，有利于利用专家的控制经验，有效地解决了多变量模糊控制器难于设计和实现的问题。同时还克服了传统的查表方式中模糊变量论域量化等级受限制的缺点。理论和实验证明了该方法的有效性，优越性。RBF(径向基函数)网络由于能够逼近任意非线性函数，可以处理系统内在难以解析的规律性，因此得到广泛的应用。本文采用了一种正规化RBF网络对倒立摆进行控制。将隐层中心设置为训练输入样本，利用广义逆矩阵求取输出层权值，此方法不仅减少了网络的学习参数，同时还允许RBF网络精确地拟合训练数据。实验结果证明该方法具有满意的控制性能。 　　本文针对倒立摆控制的传统神经网络算法(即BP算法)的缺点，将遗传算法与神经网络结合起来，提出了倒立摆的进化神经网络控制方法。控制器在结构上采用神经网络，利用遗传算法优化神经网络的连接权值。实验研究表明，该控制器不仅具有良好的动态和稳态控制性能，而且对于干扰也具有很强的抑制能力。同时还具备结构简单，易于实现的优点。