神经控制器在在实时控制系统中起着“大脑”的作用。神经网络具有自学习和自适应等智能特点，因而非常适用于控制器设计。对于复杂非线性系统，神经控制器所取得的控制效果往往明显优于常规控制器。近年来，神经控制器在工业、航空及机器人等领域控制系统的应用中已经取得许多成就。

自McCulloch和Pitts于1943年提出“似脑机器”(Mind-like Machine)和神经学网络(Neurological Network)概念以来，人工神经网络(Artificial Neural Network，ANN)或简写为NN的研究走过一条波浪式推进的发展道路。由于ANN具有非线性映射、自学习、自适应与自组织、函数逼近和大规模并行分布处理等能力，因而具有用于智能控制系统的潜力。已经作出许多努力，把神经网络用于控制系统，处理控制系统的非线性和不确定性以及逼近控制系统的辨别函数等。

进入90年代以来，已对神经控制的结构研究进行了总结。迄今为止，已经提出十多种神经控制器的结构方案。由于分类方法的不同，神经控制器的结构也很自然地有所不同。

神经控制器与古典控制器和现代控制器相比，有优点也有缺点。

优点是神经控制器的设计与被控制对象的数学模型无关，这是神经控制器的最大优点，也是神经网络能够在自动控制中立足的根本原因。

缺点是神经网络需要在线或离线开展学习训练，并利用训练结果进行系统设计。这种训练在很大程度上依赖训练样本的准确性，而训练样本的选取依旧带有人为的因素。

神经控制器的设计大致可以分为两种类型，一类是与传统设计手法相结合；一类是完全脱离传统手法，另行一套。无论是哪一类，都未有固定的模式，很多问题都还在探讨之中。究其原因是因为神经控制还是一门新学科，在社会上并不普及，为数众多的人甚至连“神经控制”都还没有听说过，神经系统的研究还处于摸索探讨阶段，神经网络虽然有了一些所谓的“理论”，但并不成熟，甚至连隐层节点的作用机理这一类简单的理论问题都没有搞清楚。而智能控制的“年龄”比神经网络还要年轻，现阶段的智能控制就没有理论。因此，神经控制器没有理论体系，更谈不上完善的理论体系，相应也就不存在系统化的设计方法。

简单综合起来，神经控制器的设计方法大体有如下几种：模型参考自适应方法、自校正方法、内模方法、常规控制方法、神经网络智能方法和神经网络优化设计方法。

较为流行的神经控制器设计过程是：设计人员根据自己的经验选用神经网络、选择训练方法，确定是否需要供训练使用的导师信号，设计算法并编制程序，然后上机运行，得到仿真结果，根据结果决定是否需要进一步修改相关参数或修改网络体系。

从仿真到实际运行，还有很长一段路要走，需要解决的主要问题是仿真仅仅只是神经网络模型训练运行的结果，实际运行需要带动被控制对象，其工作环境远比实验室仿真环境恶劣且复杂得多。

由于神经控制器的设计与设计人员的素质、理解能力和经验有关，因此设计出来的产品都可以成为设计者的成果，这也是从事神经控制较容易出成果的原因之一。随着时间的推移，对设计结果的评价体系终会诞生，优劣将更加清晰。