本论文的研究内容集中在神经网络算法研究和神经网络在控制领域中的若干应用。神经网络可以认为是一种基本不依赖模型的数学工具，它比较适用于那些具有不确定性或高度非线性的对象，具有较强的适应和学习功能，是人工智能的一个重要的分支领域。本文对神经网络理论进行了基本的概述，研究了已有神经网络的算法改进和神经网络在控制、模式识别、故障诊断等方面的应用。 本文的主要贡献如下： 1．介绍了神经网络理论的发展历史，回顾了神经网络理论的基本内容和学习理论；主要从算法和应用两个方面，对国内外当前的研究现状进行了详尽的分析和阐述。 2．在详细分析已有的傅立叶神经网络的基础上，发现傅立叶神经网络具有将非线性映射转化成线性映射的特点，基于这个特点，对该神经网络原有的基于非线性优化的学习算法进行了改进，提出了基于线性优化方法(本文采用最小二乘法)的学习算法，大大提高了神经网络的收敛速度并避免了局部极小问题；由于采用了最小二乘方法，当用来训练傅立叶神经网络的训练输出样本受白噪声影响时，本学习算法具有良好的降低噪声影响的功能。 3．针对基于机理分析和辨识的建模方法总是存在未建模的高阶部分，精度不够高和神经网络建模方法泛化能力差的缺点，将这两种建模方法进行融合，提出基于机理分析、系统辨识和RBF神经网络的混合建模方法，首先采用机理分析和辨识的方法得到工业对象的低阶模型，再用RBF神经网络建模方法补偿未建模高阶模型，这样得到的混合模型，比单纯基于机理分析和辨识的建模方法具有更高的精度，比单纯的神经网络的建模方法具有更好的泛化能力。 4．针对一类状态不可直接测量的非线性时变系统，提出基于BP神经网络逆模型的状态观测器，可以对系统的状态进行实时观测。 5．研究了神经网络在故障诊断中的应用问题，具体研究神经网络在高速公路交通事件检测中的应用，并提出了两种新的检测算法。第一种是基于RBF神经网浙江大学博士论文络和SOM神经网络的检测高速公路交通事件的新算法，用RBF神经网络获取高速公路交通流模型，利用该模型的输出预报和实际交通数据进行比较，得到残差，用SOM神经网络作分类器，对残差序列进行分类，以判断是否发生交通事件，运用该算法，不但可以检测出是否有交通事件发生，而且可以检测出该交通事件引起的突发性交通拥挤的严重程度。第二种是基于AR咒神经网络的检测高速公路交通事件的新算法。该算法利用高速公路交通流模型和ARTZ神经网络分别作观测器和分类器，观测器估计的数据和实际交通数据进行比较，得到残差序列;利用ARTZ神经网络对残差序列进行分类，以区分不同交通状态下的交通信息，达到检测交通事件的目的。本算法不但可以识别已知的交通事件类型，还可以识别未知的或从未出现过的交通事件类型，是一个可以边工作、边学习的检测系统。6.针对间歇式微生物发酵过程，提出了不同的发酵生产批次应该采用不同的适合其自身的最优发酵温度轨线的新方法，在此基础上，提出了基于发酵过程的发酵时间模型和最优发酵温度模型，并利用RBF神经网络建模方法对这两种模型进行了建模研究;此方法使不同生产批次的发酵过程都可以在适合其自身的最优的发酵温度轨线下进行发酵，在整个发酵过程中使发酵温度始终最优，从而使发酵过程在原来的基础上得到进一步的优化，有利于产品得率的提高。7.最后对本文进行了概括性总结，并指出了有待进一步研究的方向。