随着网络规模的快速增长以及网络上的用户和应用的不断增加,网络拥塞已经成为一个十分重要的问题。基于路由器的主动队列管理机制,与TCP协议的拥塞控制相结合,是解决目前TCP网络拥塞控制问题一个主要途径。所以,对主动队列管理算法的研究成为了TCP网络领域的一个热点问题。TCP网络可以看作是一个非线性动态反馈控制系统,故从控制理论的角度分析和设计主动队列管理算法可以得到更有效的结果。本文在分析了主动队列管理机制的基础上,利用控制理论中的方法对主动队列管理算法进行了研究,主要的研究工作和结论如下：针对TCP网络的拥塞控制问题,提出了一种基于RBF神经网络的自适应滑模控制算法。考虑到网络系统的不确定性上界很难获得,使用RBF神经网络对系统不确定的上界进行自适应学习来避免必须事先知道系统不确定的上界。将RBF神经网络的输出作为不确定上界的补偿,从而消除了系统的不确定带来的影响。应用RBF神经网络设计了一个自适应滑模控制器,所设计的控制器既保证了滑动模态的存在和系统的渐近稳定性,又较好地抑制了系统不确定带来的影响。仿真结果表明该算法具有较好的稳定性和鲁棒性。针对TCP网络存在网络参数高度变化和UDP流的情况,提出了两种非线性自适应滑模控制算法。考虑到系统不确定的上界很难获得,针对系统不确定的上界设计了一种自适应滑模控制器。由于使用了符号函数,该算法不能有效地抑制抖振。为此,设计了一种直接对不确定进行自适应的滑模控制器。仿真结果表明,对不确定自适应的滑模控制器优于对上界自适应的滑模控制器,对上界自适应的滑模控制器优于PI控制器。为了改善TCP网络的鲁棒性能,基于自适应全局滑模控制,设计了一种非线性主动队列管理算法。采用全局滑模控制消除了滑模控制的到达阶段,保证了网络系统在整个控制过程的鲁棒性。采用RBF网络直接逼近系统的总不确定可以有效地减小估计误差。由于没有使用符号函数或饱和函数,不仅可以有效地抑制系统的抖振,而且系统的响应更加平稳。仿真结果表明,该算法具有较好的鲁棒性和较快的系统响应。针对TCP网络的负载具有较大的突发性和往返时延具有时变性的情况,基于RBF神经网络和滑模控制,提出了一种非线性主动队列管理算法。考虑到网络系统参数是未知时变的,采用RBF神经网络逼近网络系统参数,使得主动队列管理算法易于实现。依据李雅普诺夫理论设计了RBF神经网络权值的自适应律,使得网络系统参数得到了较好的估计。采用RBF神经网络的输出作为滑模控制器的参数设计了一种主动队列管理算法,使得网络系统是渐近稳定的。仿真结果表明所提出的算法具有较快的响应和稳定的队列长度,在网络参数变化时仍能获得较好的鲁棒性。针对TCP网络的有限时间拥塞控制问题,考虑到TCP网络中存在不确定性和无响应流的干扰的情况,提出了两种自适应有限时间主动队列管理算法。首先,基于终端滑模控制和RBF神经网络设计了一种自适应有限时间主动队列管理算法。该算法使用RBF神经网络估计系统总不确定,使得系统总不确定的界不需要知道。基于RBF神经网络的输出,设计了一种自适应终端滑模控制器。但是该算法计算复杂,不仅会降低路由器的执行效率,而且该算法在路由器中实施的难度也比较大。为此,基于反步方法设计了一种自适应有限时间主动队列管理算法。该算法设计了一种简单的自适应律,使得算法的实现比较简单。在该算法的作用下,瞬时队列长度能够在有限时间内收敛到期望的队列长度。仿真结果表明该算法在各种网络环境下具有较好的有限时间稳定性和鲁棒性。针对TCP网络中存在输入受限,参数不确定以及UDP流干扰的拥塞控制问题,给出两种基于自适应滑模控制的主动队列管理算法。首先,给出了基于普通滑模控制的自适应主动队列管理算法。虽然该算法对系统参数变化和UDP流干扰具有较好的鲁棒性,但是它仅能保证系统是渐近稳定的。于是,为了改善TCP网络系统的收敛性能,基于终端滑模控制,提出了一种自适应主动队列管理算法,使系统获得了较好的有限时间稳定性。仿真结果验证了该算法的有效性。最后对全文作出总结,并提出了下一步研究的方向。