计算机网络的出现和普及极大的推动了社会的发展和科技的进步。随着互联网(Internet)规模的快速扩大和新的网络应用类型的不断出现，用户对网络所提供的服务质量也提出了更高的要求。由于网络资源和流量分布的不均衡等原因，单纯的增加网络资源并不能解决拥塞问题，因此有效的拥塞控制机制是网络提供高质量服务的基础。虽然当前的基于端系统的TCP拥塞控制机制能够在一定程度上缓解拥塞，但是仅从源端的控制很难提供较高的服务质量，而且作用有限。因此，近年来基于网络中间节点的拥塞控制机制——主动队列管理(Active Queue Management，AQM)——成为了一个研究热点。期望利用AQM算法与端系统算法的协作，能够更有效的避免拥塞的发生，提高网络资源利用率，在此基础上为用户提供更好的服务质量。 已被提出的AQM算法大多存在算法对网络参数敏感，难以保证系统稳定性的问题。其根本原因在于：或者算法是基于经验的，或者大多基于控制理论的AQM算法过份依赖被控对象的模型。而智能控制不依赖精确的被控对象数学模型，对模型的不确定性具有较强的适应能力。模糊控制和神经网络控制作为智能控制领域的两大分支，是实现语言知识表示和自适应知识学习这两种人类控制基本特征的理想工具。因此本论文的主要研究内容是基于模糊控制和神经网络控制的AQM算法的设计和研究，主要的研究成果如下： (1)对当前互联网中的拥塞控制机制研究现状加以综述。首先介绍了拥塞、拥塞产生的原因、拥塞控制的概念、目的及方式；其次介绍了拥塞控制的研究方向和动态；然后着重讨论了主动队列管理的研究现状，已提出的主要算法及其存在的问题和原因。 (2)对智能控制理论，着重对神经网络控制与模糊控制进行了介绍。对这两种理论在计算机网络领域的研究和应用状况进行了叙述，并讨论了智能控制算法在网络设备中的实现方法。 (3)基于传统控制理论中的Dahlin控制器，提出了一种针对大往返时延网络的主动队列管理算法，可以有效的提高在大时延的网络环境中主动队列管理算法的性能。 (4)利用模糊控制理论，结合基于队列和基于负载的主动队列管理算法。同时将瞬时队列长度和队列输入速率作为拥塞的测度，在模糊控制理论基础上提出了一种使用2个级联的模糊控制器的AQM算法。其中模糊控制器I根据瞬时队列的长度和变化值计算控制量，模糊控制器II根据系统负载因子计算控制增益。文中给出了算法的参数选择依据。 (5)用于主动队列管理的基于独立神经元的自适应PI算法。基于神经元模型，并借鉴了神经网络中的学习算法设计了一种用于AQM的算法，给出了算法在平衡点附近局部稳定的条件。控制器利用2个独立的神经元，根据一定的自适应律在线调整PI控制器的控制参数，以克服固定参数PI控制器响应慢、难以适应网络参数的变化等不足。 (6)神经网络控制与模糊控制理论相结合的算法。首先分析了TCP/AQM系统的可逆性；然后利用一种神经网络监督控制方法，设计了一种用于AQM的模糊自适应神经网络算法。在算法中，一个3层的前馈神经网络作为前馈控制器，PI算法作为反馈控制器与神经网络共同进行控制并提供神经网络学习的初始信号，然后以一个模糊控制器的输出作为教师对神经网络的参数进行训练。期望通过建立被控对象的逆动力学模型，得到较优的控制系统性能。