严格地讲,实际的控制系统可以说几乎全部都是非线性系统,或者说,在实际问题中遇到的系统,大多数是非线性系统。当控制系统的非线性环节很近似于线性特性时,用线性理论来分析和设计,在工程上是允许的,但对一般的非线性系统则不行。因此,非线性动态系统的辨识就显得非常重要。从理论上讲,神经网络能以任意精度逼近非线性动态系统,并具有学习能力,结构简单可靠。而模型预测控制,也称为滚动时域控制,是一种基于模型的控制理论,采用线性或非线性模型预测系统的活动。由于其控制性能良好、易于实现、鲁棒性强,成为倍受欢迎的一种先进控制算法,并在过程控制中得到了广泛应用。本文结合神经网络和模型预测控制策略的优点,对非线性系统的稳定性和鲁棒性进行了研究,主要内容包括:1.针对常规BP神经网络训练算法学习速度较慢这一现象,为了加快学习速率并减少震荡,引入动态学习因子和惯性因子,介绍一种经改进的BP神经网络算法。2.针对一类大时滞大惯性非线性系统,将预测控制与BP神经网络二者有机结合起来,对神经网络预测控制器,提出了2级反馈校正、分段优化控制的方法,同时讨论了基于闭环系统的稳定性。3.基于双模型控制的思想,结合神经网络辨识模型的方法和模型预测控制策略对非线性系统进行控制,并进行仿真实验,仿真结果表明了该策略与常规的预测控制方法相比,稳定性和鲁棒性较好。