在智能控制理论中，多模态控制是指随系统运行状态而不断变化策略的控制方式。 使用智能多模态控制，可以根据系统的实际运行状态，实时选用最合适的控制算法，通过不同运行条件下执行不同的控制算法、调整参数，并选择恰当时机进行切换，即可实现反映系统稳定性、准确性和快速性的性能指标之间的最优结合。

多模态控制可以根据系统运行状态，实时选用最合适的控制方法，实现多种控制策略优势的综合， 使得系统的控制性能满足较高的要求。 在多模态控制结构的设计中，模态的划分与各模态下的控制策略的选取直接影响多模态结构的控制效果。模态的划分取决于设计者对所应用的工业背景及复杂对象的深入了解与分析，而具体的控制方法则包括变增益控制、滑模控制、人工智能控制、基于多模型的控制。

多模态控制根据飞行任务和飞行状态的要求，对飞行控制系统的工作模态进行设置、选择和编排。一种工作模态对应飞行控制系统的相应控制功能。模态选择在飞控系统中设有专门的硬件设备（飞行控制板），亦可由飞行控制管理计算机的专门软件完成。多模态控制不仅要保证模态正常、可靠地工作，而且要保证模态正确转换和安全过渡。

模态的划分主要取决于设计者对控制系统所应用的工业背景及被控对象的认识与理解。合理的划分方式不仅能够带来控制系统性能上的较大改善，还能在一定程度上避免控制器结构的冗余和复杂。综合上述多模态控制在各领域的应用实例，可以总结出以下两点模态划分的原则：

一、主要针对运行过程中状态变化较为明显的阶段进行划分，在每一区间内根据某一明确的控制目标而设计相应的控制策略；

二、要兼顾模态的数量，即划分后的区间数目不能过于庞大，有时候频繁的控制切换以及太过复杂的控制器结构反而会造成系统的臃肿。

国防科技大学的朱华勇等人指出，多模态切换控制技术源于早期的自适应控制，可将其具体的应用方法概括为变增益控制、滑模控制与人工智能控制三类。其中上个世纪50 年代提出的变增益控制是多模态切换控制技术的雏形。

考虑到多模态控制在电力、汽车、导弹制导、机器人等许多领域都有所应用，这里根据多模态控制系统所采用的具体的人工智能技术的不同，将其分为基于神经网络、基于模糊控制和基于仿人智能控制的三类方法

基于神经网络的方法

神经网络从微观结构和功能上对人脑进行抽象和简化，能够模拟人类智能。利用神经网络可以很好地解决多模态控制系统中多参数多模态的辨识问题。

基于模糊控制的方法

模糊控制是从人的经验出发，以模糊集合理论、模糊语言变量及模糊推理为基础而实施控制的一种方法，解决了智能控制中人类语言的描述和推理问题。

基于仿人智能控制的方法

仿人智能控制的基本思想是利用计算机从人脑的宏观结构上和行为功能上对人的控制进行模拟，最大限度地识别和利用控制系统动态过程所提供的特征信息进行启发和直觉推理，从而实现对缺乏精确模型的对象进行有效的控制。

第一，将复杂的工业对象与生产过程细分，利用多模态控制思想对多种运行状况进行实时控制，可实现多种控制策略优势的综合，使得系统的控制性能满足较高的要求，因而多模态控制在军用工程、电力、汽车、机器人等许多领域都得到了探索与使用。

第二，在多模态控制结构的设计中，模态的划分与各模态下的控制策略的选取直接影响多模态结构的控制效果。其中，模态的划分取决于设计者对所应用的工业背景及被控对象的深入了解与分析，并且应当遵循以下两个原则：针对运行过程中状态变化较为明显的阶段进行划分并设计不同的控制策略；要兼顾模态的数量，避免控制结构过于复杂。具体的应用方法包括变增益控制、滑模控制、人工智能控制、基于多模型的控制等，其中经常应用到的人工智能技术有神经网络、模糊控制与仿人智能控制。

第三，人工智能技术在模态辨识、模拟人脑推理及控制等方面的优势明显，因此越来越多的多模态控制系统选择智能控制方法作为各个模态下的控制策略，以应对复杂的被控对象及过程，实现更为理想的自动控制。

第四，变增益控制可以充分利用已有的线性控制设计方法，然而要求系统状态必须是慢时变的且需定义附加的增益变量；滑模控制为不确定系统的鲁棒控制提供了有效方法，但仍需克服实际系统存在的抖动问题。另一方面，随着人工智能技术的发展，将模糊控制、神经网络等智能算法分别与变增益控制、滑模控制结合起来，可以在一定程度上减少这两种方法原本的不足，为多模态控制系统提供新的实现方法，同时也是多模态控制思想未来的发展方向之一。