传统的基于模型的随机控制方法需要已知系统的精确模型。由于某些被控对象具有高度的非线性以及不确定性,很难用精确的数学模型来描述,对于此类非线性系统的随机控制问题,还存在不少问题和困难。因此研究了基于神经网络和模糊系统的非线性系统随机控制方法。首先,基于被控对象的神经网络正模型和逆模型,实现了内模控制,非线性预测控制等控制方法,并应用于随机非线性系统的仿真控制。其次,采用瞬时线性化方法,得到系统的线性模型,再根据已有的线性系统随机控制方法,如最小方差控制和极点配置控制,实现各种非线性系统的自校正控制。该方法是线性系统的随机控制设计方法在非线性系统中的推广。本文提出了基于非线性T-S模糊模型的最小方差控制,从而将最小方差控制扩展到非线性系统,扩大了最小方差控制的适用范围。模糊控制器具有很强的抗干扰能力,但在目前完全基于人的经验来获得模糊规则及隶属函数,由于ANFIS同时具有神经网络的自学习能力和模糊推理系统的知识表达能力,因此提出将ANFIS学习控制应用于随机控制系统,直接学习人类专家的控制经验,自动产生恰当的模糊规则和隶属度函数,实现了学习控制。本文基于Matlab和NNSYSID、模糊逻辑等工具箱实现了上述控制方法的仿真,仿真结果表明了这些方法的有效性。