半主动悬架因其良好的控制效果,并具备低能耗、低成本等优势,一直以来都是车辆悬架研究的热点问题。车辆MR悬架的控制效果取决于半主动控制策略，而常用控制方法都存在各自不足,故本文开展一种基于模糊-神经网络的新型智能控制策略研究。本文以“四分之一”车辆MR悬架作为研究对象,将模糊控制与BP神经网络算法相结合构成模糊-神经网络半主动控制器(FNNC)。由于传统BP算法学习速率慢、迭代周期长,本文提出一种迭代速度更快的自适应学习方法,并将模糊规则与神经网络隐含层匹配,对模糊子集中心及宽度进行学习,并引入激活度因子对模糊规则进行加权迭代优化,以实现FNNC良好的控制性能。分别在谐波、平滑脉冲、随机路面三种典型激励信号下,依据车辆行驶平顺性及操纵稳定性两方面的评价标准,将FNNC控制下的“四分之一”车辆MR悬架性能同改进型天棚(Skyhook)半主动控制下的悬架性能进行对比研究,对簧载质量位移、簧载质量加速度、悬架相对位移、轮胎动态力、阻尼力及驱动电流等主要性能指标进行定量分析,结果表明本文提出的FNNC控制器具有更为优越的综合性能。针对FNNC控制下的“四分之一”车辆半主动悬架,在车辆载荷、行驶速度以及路面粗糙程度等行驶工况发生变化时,对其鲁棒性及悬架综合性能进行分析。在三种典型路面激励信号下,通过控制变量进行多组对比仿真及数值分析,结果表明本文提出的FNNC半主动控制策略在面对车辆不同行驶工况均具有较理想的鲁棒性能,能够实现车辆行驶平顺性、操纵稳定性等多个目标悬架性能的控制要求。