本文的目标是研究小脑和大脑中的神经系统如何相互协调以学习连贯的运动控制技能。文中所提出和引用的神经计算算法都源于神经生理学的实验研究成果。分别基于监督学习和强化学习理论，本文提出了两种针对运动平衡控制的神经计算模型。 文章针对非线性平衡控制问题，文中提出了一种加入预测信息的反馈误差学习(P-FEL)模型。在P-FEL模型中，包括一个常规控制器(CFC)和一个神经网络前馈控制器(NNFC)，其中CFC负责保证系统的稳定性。反馈控制器的输出信号和基于当前实际误差的系统状态预测信息共同前馈神经网络(NNFC)的学习信号。为了满足持续激励条件，使用被控对象当前的实际输出误差作为前馈神经网络的前向输入。为了将神经网络控制与学习过程结合在一起，使用在线BP算法作为神经网络学习算法。在算法中，根据前两个样本的误差梯度信息对下一个样本的学习步长进行调整；同时为了加速学习过程而且保持良好的稳定性，在学习算法中引入了权值更新动量因子和学习率折扣因子。P-FEL模型是从工程模型角度解释神经运动学习控制机制。