粒子群优化算法(Particle Swarm Optimization，PSO)源于对鸟群觅食行为的研究，是一种基于群智能的演化计算技术。由于该算法概念简明，实现方便，收敛速度快，参数设置少，是一种高效的搜索算法，近年来受到学术界的广泛重视。目前，已广泛应用于函数优化、神经网络训练、模式识别、模糊系统控制以及其它工程领域。　　 本文提出了一种新的混合粒子群优化算法(MPSO)来训练径向基函数(RBF)神经网络的参数，并将训练出的RBF神经网络作为预测控制算法的预测模型，对非线性系统进行直接多步预测控制。同时也采用MPSO对构造的复合神经网络进行训练，并将其作为系统的辨识模型，用于非线性系统的输出反馈控制。通过实验进行仿真，控制效果较好。本文所作的主要工作如下：　　 第一、对粒子群优化算法的性能进行分析，针对该算法的早熟收敛，容易陷入局部最优且搜索精度不高等缺点，提出了一种新的混合粒子群优化算法。　　 第二、将混合粒子群优化算法(MPSO)用于RBF神经网络的训练，对网络的参数(连接权、隐节点中心和宽度)进行优化，得到泛化能力强，稳定性良好的神经网络模型。　　 第三、构造基于MPSO-RBF混合优化策略的直接多步预测器，对非线性系统进行直接多步预测控制。通过仿真实验，取得了良好的控制效果。　　 第四，构造基于MPSO的复合神经网络辨识模型，采用输出反馈控制算法对非线性系统进行控制。通过仿真实验，验证所提算法的有效性。