اجرای صحیح حرکات در انسان از اصول فراوانی نظیر پیش بینی، برنامه ریزی، هماهنگی و تعادل پیروی می کند. همین امر لزوم بررسی همه جانبه ی مخچه به عنوان یکی از ارکان ایجادکننده هماهنگی و تعادل را به اثبات می رساند. تا کنون مدلهای کنترلی فراوانی با تقلید از فیزیولوژی مخچه ارائه شده اند. در این پایان نامه، چگونگی استفاده از این مدل ها در کنترل حرکت و نقش مخچه در یادگیری و تنظیم حرکت به صورت یادگیری دینامیک اعضای حرکتی بررسی شده است. همچنین به منظور تکمیل زنجیره ی تولید فرامین حرکتی، ارتباط مخچه با سایر اجزای سیستم عصبی مرکزی مورد بررسی قرارگرفته است. به علت ماهیت غیر خطی و تغییر پذیر با زمان سیستم های بیولوژیک، نیاز به استفاده از روشهای کنترلی پیچیده تر حس می شود. در این میان مدل کنترلی cmac با الهام از فیزیولوژی مخچه نتایج مطلوبی را در کنترل سیستمهای پیچیده و غیر خطی نشان داده است. از این رو در این پایان نامه، شبکه عصبی cmac بهمراه پارامترها و تکنیکهای آموزش بهینه آن به تفصیل بیان و شبیه سازی شده است. در ادامه با بررسی کاربردهای کنترلی cmac در روباتیک، به ارائه روشهایی برای کنترل سینماتیک معکوس و جبران سازی عملکرد کنترلگرهای معمول نظیر pid پرداخته شده است. در انتها با استفاده همزمان از دو مدل cmac و feedback error learning برای اولین بار روشی جهت مدیریت نرخ تحریک fes ارائه شده است. نتایج بدست آمده توانایی مدل های مخچه ای را در کنترل حرکات بیمار مجازی به اثبات می رساند.