随着社会的迅速发展，控制对象也日趋复杂化，传统的点到点控制已经无法满足日常的生产需要。与此同时，网络技术不断发展、成熟，并且与控制理论相融合形成了适合实际需求的网络控制系统。较之传统的控制，网络控制系统布线少、结构灵活、可靠性强，已经成功地运用于工业领域，但与此同时产生了新的控制问题，本文针对导致网络控制系统控制效果不佳的主要问题--随机时延问题进行了深入的研究。论文提出了一种改进的广义预测控制算法，该算法基于传统的广义预测控制算法，继承了其预测模型、滚动优化、反馈校正的基本思想，引入了最小方差输出预测，从而规避了丢番图方程的迭代求解，节省了大量的计算时间，使得预测精度更高、系统的动静态性能更好，应用于网络控制系统中能够取得更好的控制效果。考虑到现实的工业过程中，被控对象的参数往往是未知的，甚至存在参数突变的恶劣条件。论文提出采用递推最小二乘法与改进的广义预测控制相融合的控制方法应对这一问题。针对参数未知的系统，首先运用带遗忘因子的最小二乘法对系统参数进行在线辨识，然后应用改进的广义预测控制算法对系统进行有效的预测控制。针对参数突变的系统，首先采用变遗忘因子最小二乘法，分别对参数突变前后的系统参数进行在线辨识，再结合改进的广义预测控制对系统进行良好的控制。虽然广义预测控制在线性系统获得了有效的控制，然而对于非线性较强的系统而言则大相径庭，往往得到的控制结果十分不理想。因此，论文提出一种神经网络和广义预测控制相融合的策略对非线性系统进行控制。首先运用Elman神经网络辨识非线性系统，即确定系统的预测模型，然后结合广义预测控制中的滚动优化以及反馈校正对系统进行进一步的预测控制。为了进一步验证论文开展的研究工作，对本文提出的算法给出了相应的仿真分析。仿真分析结果表明，改进后的算法不但节省了大量的计算时间，而且与传统的广义预测控制算法相比，其控制效果更为优越。而通过相应辨识方法与改进的广义预测控制结合的控制策略的仿真结果，证明了相应算法在存在随机时延的网络控制系统中获得了良好的控制效果，同时解决了系统参数未知以及参数突变的辨识问题。最后对非线性网络控制系统进行了仿真分析，实验结果证明了将反馈型神经网络引入到广义预测控制中，可以有效建立预测模型，并实现对非线性网络控制系统的有效控制。