电控悬架主要包含执行机构和控制策略两大部分。由于执行机构完全按照控制策略的要求来输出主动力，因此电控悬架设计的关键， 就是选取能够为车辆提供良好性能的控制策略。不同的控制策略，将会导致不同的悬架特性和减振效果。
20世纪60年代，线性最优控制理论已被应用于车辆悬架系统的研究中。线性二次型调节器控制理论（简称 LQR）和线性二次高斯型控制理论（简称LQG）是主动悬架设计人员常用的方法。理论上讲， LQR和 LQG 主动悬架大幅度地改善了车辆的性能，且具有较大的稳定裕量。但主动悬架对模型摄动时基本不具备鲁棒性，在激励频率大于60Hz时，系统极易变得不稳定。因此线性最优控制具有以下不足之处：①采用线性最优控制理论来设计主动悬架时，需要有一个明确的目标函数；②最优控制理论很难处理好频域内的减振问题，难以使车辆兼具良好的时域和频域性能；③没有考虑模型的不确定性，只是在平均意义上对随机白噪声扰动进行了抑制。因此当模型存在摄动时， 线性最优控制基本不具有鲁棒性。
主动悬架的预瞄控制能够根据车辆目前的行驶状态和未来干扰等因素来提前给出调节作用，使悬架系统最有效地抵消外部干扰所引起的振动。预瞄控制的实现方法有两类，一类是将前轮悬架的状态信息反馈给后轮悬架，另一类是通过测量车轮前方道路来获得实时的路况信息，并将此信息作为主动悬架设计的重要依据。预瞄控制的不足之处主要有：①预瞄控制是在假定悬架系统是线性时不变系统的情况下制定的，并没有对车辆参数的时变性加以研究；②预瞄控制要求车辆装备特制的预瞄传感器，虽然在技术上是可行的，但考虑到实车的制造成本、车辆工作环境对传感器使用寿命的影响等实际问题，要将预瞄控制应用于实际还有很多问题有待解决。
自适应控制是一种实时调节控制器的方法，其研究对象是具有一定不确定性的系统。这里所谓的“不确定性”是指描述被控对象及其环境的数学模型不是完全确定的，其中包含一些未知因素和随机因素。在悬架控制系统的设计中，自适应控制能自动监测系统参数的变化，并实时地调节控制策略，从而使系统具有良好的性能。目前，比较完善的自适应理论有模型参考自适应控制和自校正控制。前者可对控制器的参数进行直接更新，而后者是采用参数估计的方式间接地对控制器进行更新。但是自适应控制仅适合于悬架参数在某一特定范围内缓慢变化的情况。当系统参数的变化超出特定的范围时， 系统的控制效果将会变差。
由人作为控制器的控制系统是典型的智能控制系统，其中包含了人的高级智能活动。模糊控制在一定程度上模仿了人的控制，其控制特点是：①不需要准确的数学模型；②将大量的控制经验和知识作为控制的主要依据。考虑到悬架系统本身的非线性和所处环境的复杂性等因素，悬架系统可采用模糊控制策略来获得满意的控制效果。然而模糊控制规则的完整性、模糊子集的定义、隶属度函数的确定、模糊推理机制等因素都会对模糊控制器的性能产生影响，而这些因素大都依赖于专家的经验。而在很多情况下，专家经验并不完备，有时是相互矛盾的，甚至根本没有专家的经验可以利用，这大大增加了模糊控制器设计的难度。为了使模糊控制器具有良好的自适应性和鲁棒性，许多专家致力于模糊控制器自动设计的研究。
人工神经网络是在现代生物学研究人脑组织所取得成果的基础上，将大量简单的处理单元广泛连结组成的复杂网络，可用来模拟人的直观性思维模式。神经网络控制系统作为一个新兴的领域，已经引起了控制界的兴趣，许多学者将其应用在了主动悬架控制中。学习是神经网络研究的一个重要内容，它的适应性是通过学习实现的。然而神经网络学习速度较慢，不适合应用在实时控制中；此外，如何获取神经网络的训练样本和改进训练策略等问题还有待于进一步研究和解决。
在上述控制方法外，还有一些其它的方法，比如滑模控制、免疫进化控制等。无论采用何种控制方法，车辆的性能均有不同程度的改善。在研究和开发中，结合实际车辆的工况，设计简单有效、实用的控制方法是车辆主动悬架研究工作的主要目标。
