智能控制是一类无需人的干预就能够独立地驱动智能机器实现其目标的自动控制，它包括模糊控制、神经网络控制、遗传算法等

模糊控制是智能控制较早的形式，它吸取了人的思维具有模糊性的特点，从广义上讲，模糊逻辑控制指的是应用模糊集合理论，统筹考虑系统的一种控制方式，模糊控制不需要精确的数学模型，是解决不确定性系统控制的一种有效途径。模糊控制是一种基于专家规则的控制方法。在时滞过程中,模糊控制一般是针对误差和误差变化率而进行的,将输入量的精确值模糊化,根据输入变量和模糊规则,按照模糊推理合成规则计算控制量,再将它清晰化,得到精确输出控制过程，其中模糊规则是最重要的。但是,模糊控制存在控制精度不高、算法复杂等缺点[8]。因此如果能结合其它的算法来提高它的控制精度,那将是非常有效的，例如模糊Smith控制器、模糊自适应控制器、模糊PID控制算法等。

神经网络控制是研究和利用人脑的某些结构机理以及人的知识和经验对系统的控制。人们普遍认为，神经网络控制系统的智能性、鲁棒性均较好，能处理高维、非线性、强耦合和不确定性的复杂工业生产工程的控制问题，其显著特点是具有学习能力。神经网络的主要优势在于能够充分逼近任意复杂的非线性系统，且有很强的鲁棒性和容错性。一般来说，神经网络用于控制有两种方法，一种是用来实现建模，一种是直接作为控制器使用。与模糊控制一样，神经网络也存在算法复杂的缺点，同时神经网络学习和训练比较费时，对训练集的要求也很高

经典控制方法由于具有结构简单、可靠性及实用性强等特点，在实际生产过程中得到了广泛的应用。但它们都是基于参数模型的控制方法，因而自适应性和鲁棒性差、对模型精确性要求高、抗干扰能力差。而智能控制是非参数模型的控制方法，因而在鲁棒性、抗干扰能力方面有很大的优势。但智能控制也有其不足之处，即理论性太强，算法过于复杂，大多数方法还仅局限于理论和仿真研究，能在试验装置上和工业生产中应用的并不多。根据这两类控制方法的特点，将它们结合起来进行复合控制是一种有效的时滞系统控制策略，成功的应用有模糊PID控制、模糊Smith控制、神经元Smith预估控制、Smith-NN预估控制等。这些方法既能利用经典控制方法结构简单、可靠性和实用性强的特点，又能发挥智能控制自适应性和鲁棒性好，抗干扰能力强的优势，弥补了各自的不足，在大时滞控制系统中具有很好的应用前景。