船舶运动模型所具有的非线性、不确定性和外界环境干扰等未建模动态,使得船舶航向自动控制成为一个复杂的非线性控制问题,传统船舶航向控制器难以实现理想的控制效果。本文提出了一种基于T-S模糊模型的动态模糊神经神经网络算法,能够在线快速生成具有高精度的精简动态神经网络,用于实现模糊系统的自组织设计及参数辨识。进而,通过Hermite函数逼近、非线性动态系统辨识和Mackey-Glass混沌时间序列预测等仿真研究,验证该算法的有效性。最后将其应用于船舶智能航向控制器的设计,主要研究工作如下：首先,基于整体型模型和分离型模型的建模机理分析,得到了降阶简化的响应型野本模型,并对该模型进行了参数化处理,将其作为船舶航向智能控制器设计的模型基础。其次,提出了一种基于训练数据在线提取T-S模糊规则的自组织模糊神经网络学习算法。基于在线或离线训练数据,该算法结合修剪策略的生长规则用于学习模糊规则,使其限制性的增长,最后生成一个紧凑的网络结构。此外,采用线性最小二乘(LLS)进行参数辨识。为验证该算法的优越性,将其分别应用于静态函数逼近、非线性动态系统辨识和随机时间序列预测,并与其他著名的算法进行比较研究,仿真结果显示该算法具有快速的学习速度、高精度的逼近性能和精简的网络结构。最后,将提出的动态模糊神经网络算法应用于船舶智能航向控制器的设计,利用非线性PID船舶操纵控制器产生数据样本,用于在线或离线训练船舶智能操纵控制器；此外,船舶操纵预测和航向保持等性能通过一系列典型的操舵指令来验证。仿真研究验证了所设计船舶智能控制器的有效性和优越性。