神经网络由于具有逼近任意非线性函数的能力，使得其在非线性系统的预测控制中受到日益广泛的重视，取得了许多成果。本学位论文在前人研究的基础上，对非线性系统的神经网络预测控制算法进行了较为深入的研究，取得了系列研究成果，已发表和待发表学术论文五篇，其中四篇论文已被EI收录。本文的主要研究工作概括如下：　　 (1)系统地分析了非线性系统神经网络预测控制系统中的模型选取、控制器优化、控制系统结构设计方法以及收敛性理论等研究现状，分析了非线性系统神经网络预测控制算法存在的问题和今后的研究方向。　　 (2)讨论了RBF神经网络的批处理学习算法和在线学习算法。分别对这两类典型算法进行了理论分析和仿真研究，为本文预测建模学习算法的选择提供了理论依据。　　 (3)提出了一种基于动态搜索区间的黄金分割数值优化方法，分析了黄金分割法的收敛性。与基于神经网络求解优化控制的算法相比，具有较好的控制性能。　　 (4)基于最优保留自适应遗传算法(EPAGA)，提出了一种新的RBF神经网络预测优化控制算法。该算法综合了最优保留和自适应的思想，使优化控制器具有快速性、全局收敛性的的优点，仿真结果证明了其具有很好的优化控制性能。　　 (5)综合动态矩阵优化控制与神经网络建模思想，提出了一种基于RBF神经网络的改进型动态矩阵控制算法，实现了对一类非线性时变系统CSTR模型的控制，仿真表明控制效果好。　　 (6)以实验室非线性三容水箱液位为被控对象，开发了现场总线控制系统软硬件实验平台，并将本文提出的RBF神经网络动态矩阵控制算法应用到该实验平台中。实验结果表明，与动态矩阵控制算法相比较，所提出的RBF神经网络动态矩阵控制算法取得了更为满意的控制效果，证明了其在工业控制工程中应用的可行性，具有良好的工程应用推广价值。