服务器散热系统有助于稳定服务器性能,延长其使用寿命,服务器散热系统的设计对促进服务器应用发展具有重要意义。传统服务器散热系统结构较为简单,缺乏智能控制,因而存在功耗大、散热效果不理想等问题。为了改善服务器散热系统控制问题,本文从温度控制系统出发,结合神经网络及PID算法,对服务器散热系统进行设计,实现服务器散热系统控制,改善散热效果,降低系统能耗。本文首先建立了被控服务器温控系统的一阶时滞数学模型,并提出使用单神经元PID、单神经元加Smith预估器PID、改进单神经元PID、改进单神经元加Smith预估器PID几种控制方案,进行研究与对比。通过使用单神经元对PID参数进行整定,提高参数逼近能力,减少迭代次数,再使用Smith预估器处理时滞环节,减少时滞环节对系统控制的影响,通过Simulink加S-function工具进行仿真,验证这些方法的可靠性,其中改进单神经元加Smith预估器表现出优异的效果,超调量仅仅9.32%。针对多种被控模型进行了控制效果分析,证明了单神经元PID的鲁棒性。然后,提出将BP网络应用于服务器温控系统中,通过结合BP神经网络的高级学习能力,输入PID系统历史控制状态参量,利用隐含层对参数特征进行学习,并通过输出层实现Kp、Ki、Kd三个参数的回归,通过使用Smith预估器减少时滞环节的影响,大幅度提高了温控系统的控制能力,且在复杂工况下该方案也可以很快的追踪设定值,表现出良好的鲁棒性。使用6Sigma Room部署BP神经网络PID控制系统,通过对比控制前后的热量分布图可以发现,BP神经网络具有良好的控制作用,可以实现预期的控制目标,具有较高的实际意义。最后,提出使用强化学习（RL）进行PID参数整定,面对多种复杂场景,强化学习可以通过其不断迭代-惩罚的特点,提高控制的精度,减少能源浪费。使用强化学习的PID服务器散热系统具有响应速度快,动态误差小的特点,试验后的效果实现超调为0%,对其他多种被控系统也有优异的控制效果。将该方法应用在6Sigma系统中进行模拟,在较短的时间内可以将过热系统控制在合理的温度范围内,保障了服务器系统的安全。