近几十年来，神经网络理论与应用有了引人注目的进展。由于它具有很强的自学习能力、并行处理能力、非线性处理能力、信息综合能力和容错能力等，在系统辨识和控制中获得了广泛的应用。神经网络能够充分任意地逼近任何复杂的非线性系统，所有定量和定性分析都等势分布储存于神经网络内的各个神经元中，能够学习和适应严重不确定系统的动态特性，故有很强的鲁棒性和容错性。本文主要研究了BP神经网络PID控制器。对BP算法的改进进行了研究，提出一种添加多重动量项的方法，能有效的减少网络训练次数。然后从神经网络激活函数的选择，非线性误差函数的选择，权值初值的确定，以及网络泛化能力这几个方面进行了深入地研究。提出了一种新的权值初值优化方法：两次确定法。仿真表明，该方法能有效的减少网络的训练次数、加快收敛速度，而且能避免网络学习初期出现的振荡现象。最后重点研究了BP神经网络PID控制器的设计，并利用Matlab进行了仿真研究。仿真对象为控制对象的近似数学模型，采用三层BP网络，使输出层神经元的输出状态对应于PID控制器的三个可调参数Kp、Ki、Kd，通过神经网络的自学习，加权系数调整，使神经网络输出最优的PID控制参数。仿真结果表明，改进后的BP神经网络PID控制器有良好的阶跃和正弦跟踪性能。针对带Lugre摩擦模型的简单伺服系统，本文通过仿真具体描述了伺服系统低速时摩擦力的不利影响，并采用高增益的PID控制器进行了补偿，效果不太理想。最后本文提出了一种基于BP神经网络PID控制的摩擦补偿方法，给出了控制器原理图，并进行了速度的正弦跟踪仿真实验。结果表明，采用改进BP神经网络PID控制器可以很好地补偿系统低速时摩擦力的影响，使系统具有良好的跟踪性能。