در سال های اخیر با پیشرفت تکنولوژی موتور های احتراق داخلی و مجهز شدن آن ها به سیستم های کنترل حلقه بسته، توسعه ی روش های کنترل غیر خطی برای بهبود عملکرد موتور های احتراق داخلی را امکان پذیر کرده است. در این پروژه سیستم کنترل حالت های مورد نیاز در مسئله کنترل حلقه بسته موتور از طریق یاددهی شبکه های عصبی مصنوعی با استفاده از شبیه سازی مدل های مقادیر متوسط انجام می شود که این مدل ها برای مدل سازی و کنترل متغیر های حالت موتور ارائه شده اند. برای شناسایی سیستم از دو شبکه عصبی مصنوعی پایه شعاعی و پرسپترون دو لایه استفاده شده است و الگوریتم های یادگیری این شبکه های مصنوعی ارائه شده است. نتایج نشان می دهد که در مقایسه با مدل شبکه عصبی پایه شعاعی، شبکه ی عصبی پرسپترون دو لایه توانایی شناسایی دینامیک موتور را با دقت بیشتری دارد. در ادامه، روش کنترل پیشگو مبتنی بر شبکه های عصبی مصنوعی جهت کنترل حلقه بسته ی مقدار لامبدا در موتور استفاده شده است. در این سیستم کنترلی عملیات بهینه سازی مقید جهت کمینه کردن تابع هزینه ی معرفی شده با الگوریتم کاهش گرادیان انجام شده است. در پایان نتایج کنترل پیشگو با نتایج روش مود لغزشی مرتبه اول مقایسه شده است.