现代医学以及认知神经科学的研究结果表明，人或动物的肢体和姿态运动平衡控制问题涉及到小脑皮质，而小脑皮质与感觉器官和动作器官的相互作用就构成了感觉运动系统。关于小脑模型和感觉运动系统的研究，已逐渐成为人工智能和认知科学重要的研究方向。开展这个方向的研究，对控制科学、机器人学和机器人技术的研究具有重要意义。　　 本文针对生物学中小脑对有关时间协调以及多关节运动的精确执行方面所起作用的问题进行研究，面向不同的运动控制任务，建立不同的可用于机器人运动控制的小脑认知模型。取得的主要成果如下。　　 第一，具有生物学意义的通用小脑认知模块　　 本文以Marr和Albus理论为基础，通过对现有各种小脑模型的分析综合，构建了一种新的包括所有主要细胞类型及其连接的通用小脑认知模块( GeneralCerebellum Cognitive Module, GCCM)。该模块具有两个主要特征：(1)反应小脑到下橄榄细胞(IO)感知信号的映射，构成了稳定的学习系统；②根据突触资格对训练与输入信号之间时间漂移产生的影响，小脑回路具备状态预测器的功能。它是一种参数化的“黑箱”联想存储器，具有明确的生物学意义，其功能由嵌入系统中的输入和输出如何被连接来定义。对给定的背景知识，GCCM能够通过学习生成理想的输出，因而，可用于机器人系统各种不同的感觉运动协调(Sensorimotor Coordination)控制任务。　　 第二，棱镜适应问题的小脑控制模型　　 针对“戴着”(prism-on)楔形棱镜进行投掷的感觉运动问题，本文提出了一种新的小脑控制模型。该模型中的GCCM小脑认知模块的输入层接至后顶骨(PP)和额叶皮质(FCX)两个阵列，分别对投掷方向、手臂位置以及是否戴有棱镜的相关信息进行编码。颗粒细胞( GC)阵列则接收来自输入层物理变量的初步编码、并处理同一层次上其它相关信息。GCCM小脑认知模块输出层接至类弹簧拮抗肌。该模型的重要特征在于：第一、可用于再现Martin实验，从而为研究如何观测发生在类似小脑结构中“戴着”(prism-on)楔形棱镜进行投掷的行为提供数据基础；第二、可以对Arbib模型不能解释的特殊问题做出理想的解释和说明。论文对该模型进行了实验研究，通过建立输入机制、更新小脑细胞、计算输出方向（和误差）以及更新学习权值等过程，再现了Martin实验，与Arbib模型实验的对比性分析显示，该模型具有更好的学习跟踪性能和鲁棒性。　　 第三，二自由度平面手臂的小脑控制模型　　 本文提出了一种将平衡点控制与动态逆学习联系起来用以控制二自由度平面手臂延伸运动的小脑控制模型。该模型由位置逆模型控制器(IKM)、静态逆模型控制器(ISM)以及动态逆模型(IDM)控制器组成，其中，IKM位置逆模型控制器产生系统所需要的位置命令；ISM静态逆模型控制器对肌肉张力设置提供alpha驱动；IDM动态逆模型由GCCM通用小脑模块构建，提供决定关节角度倒数的动态逆。该模型可模拟能自我调节的“小脑-下橄榄”回路，稳定地学习大范围参数，对PDF+F控制器不能提供的动态逆模型的相关内容也能很好地加以学习，因而轨迹跟踪性能良好。论文基于该模型对平面手臂的径向运动做了仿真实验，并与Shadmehr实验进行了对比分析。结果表明，通过将脊髓这个层次上的轨迹误差检测与小脑中的记忆轨迹结合起来，控制系统中嵌入的小脑模块能对快速手臂延伸运动进行稳定的鲁棒控制。　　 第四，面向人体姿态平衡的小脑控制模型　　 本文提出了一种具有长回路（踝-膝-臀）力反馈以及增益调整的小脑控制模型，用以描述人体姿态平衡的控制。该模型应用Oscarsson提出的关于小脑处理过程是由各种功能性皮质核微复合体(microcomplex)所完成的思想，将比例缩放、积分和微分(PID)的功能交由GCCM通用小脑模块来处理，并分别扩展到对三关节的控制。该模型主要由大脑和小脑两部分控制机构组成。其中小脑部分由两组负责调整感觉运动状态的增益G(?), G(?)以及I(?)(m=1,2)来表示，每一组增益负责提供踝-膝-臀之间相同关节以及中间关节长回路伸展反应的线性缩放比；大脑部分只包含一组相同关节线性力反馈的增益。本文提出，小脑是将控制增益组作为感觉人体运动状态的函数来转换的，负反馈力的引入较好地解决了RIPID(Recurrent Integrator PID)模型的实时响应问题。该模型的重要特点之一，就是对不同控制问题呈现出的简单性和适用性，应用前景诱人。实验仿真表明，稳定的、具有线性增益调整的混合长回路反馈，可以在缺乏明确动态内模的情况下提供实时平衡控制。　　 本文的研究工作得到了863项目(2007AA042226)、国家自然科学基金(60774077)以及北京市教委科技计划重点项目(K2200810005002)的支持，相关研究成果发表在中文核心期刊、EI刊源《电子学报》和英文核心期刊、SCI刊源《The Chinese Journal of Electronics》等刊物以及相关领域的国际会议刊物上。本文的研究工作对于促进生物认知模型在控制系统中的应用具有积极的意义，可广泛应用于机器学习、自动控制、机器人学等诸多领域。