逆模型控制方法是非线性控制系统研究的主要理论方法之一，在实际工程应用中得到了广泛应用。其中，内模控制（Internal Model Control, IMC）是一种非常实用的逆模型控制方法，不仅实现过程简单，而且具有良好的抗干扰性能、鲁棒性以及跟踪能力。但是，对于复杂非线性系统的内模控制，被控对象模型及其逆模型的建模过程存在着诸多困难。粒计算是一种新型的智能信息处理技术，为被控对象模型及其逆模型的建模开辟了一条新的道路。本文围绕基于粒计算的逆模型控制算法开展了如下研究工作：1.将基于邻域粗糙模型的粒计算与神经网络相结合，应用于被控对象模型及逆模型的建模过程中，给出了粗糙粒神经网络正模型及逆模型，构建了基于粗糙粒神经网络的内模控制。基于邻域粗糙模型的粒计算方法在一定程度上改善了经典粗糙集理论离散化过程的信息丢失问题。首先通过系统观测数据建立构建模型所需的决策表，采用基于邻域粗糙模型的粒计算从决策表中提取最小决策规则集，进而确定神经网络的具体结构和初始参数。采用粗糙粒神经网络分别设计内部模型和内模控制器后，投入内模控制系统进行在线控制。二阶微分系统的仿真结果表明，基于粗糙粒神经网络的内模控制具有良好的跟踪性能、抗干扰性及鲁棒性。2.采用基于邻域粗糙模型的粒计算对决策表进行规则提取过程中，需要对每个条件属性和决策属性进行聚类粒化，聚类结果的好坏会对最终的规则提取产生一定的影响。针对该问题，设计了另一种内模控制方法，将模糊粗糙集粒计算与神经网络相结合，给出了模糊粗糙粒神经网络，通过该神经网络辨识得到内部模型和内模控制器。建模过程中，同样通过被控对象的观测数据建立决策表，但是只需要决策属性进行聚类粒化，进而通过模糊粗糙粒计算获取网络的初始权值。非线性系统仿真验证了基于模糊粗糙粒神经网络内模控制方法的正确性和有效性。