随着网络规模日益增大和结构日趋复杂,特别是多媒体实时业务的广泛应用,仅仅依赖源端的拥塞机制难于满足服务质量要求,因而需要网络中间节点参与到拥塞控制当中来。主动队列管理(AQM)作为中间节点的队列管理算法,对提升网络服务质量有着重要的作用,因而获得了研究学者们的大量关注和研究。本文针对现有主动队列管理算法的性能受网络参数变动影响的问题,将鲁棒和神经网络理论的思想引入到AQM算法的设计中,提出了三种在网络参数变动和不确定条件下的鲁棒AQM算法。本文所做的主要工作如下：(1)提出了一种基于H∞控制理论的鲁棒AQM算法(Robust Control, RC),考虑了一种更具实际意义的链路干扰模型,与通常将可用链路容量作为干扰不同,而将短期突发流占据的带宽作为TCP/AQM系统的干扰,考虑时滞对TCP/AQM系统的影响并通过近似在线估计TCP窗口大小避免了设计状态观测器带来的计算负担,控制器求解转化为标准LMI问题。(2)采用状态空间的方法将网络拥塞控制系统描述为一个含有状态和输入时滞的线性系统,在充分考虑输入饱和网络参数变动对系统稳定性影响的基础上,采用H∞理论设计了基于状态观测的AQM控制器。状态观测器的设计是为了获取实际网络中难于获取的TCP窗口值,有效降低近似所带来的误差。构造适当的李雅普诺夫函数使得控制器的求解转化为标准的LMI问题。(3)分析了传统REM机制的特性并指出其不足之处在于难以适应复杂多变的网络环境。为了提升REM算法的鲁棒性,充分利用神经网络的在线学习能力来调整代价。考虑参数φ对算法性能的影响,采用梯度算法来调整φ的值,使得参数φ的值能随网络参数的变化动态调整,从而进一步提升算法的适应性和鲁棒性。