在控制理论的发展过程中,解耦是其中历史最悠久的问题之一。线性多变量系统的解耦控制在理论和工程上有了较为成熟的方法,而实际工业控制对象多为非线性多变量系统。利用神经网络在闭合紧集上可以逼近任意非线性函数,可实现非线性多变量系统的神经网络解耦。常规的神经网络解耦,多数是对神经网络进行离线训练。相对离线解耦,在线解耦能适应变化的工况,可不断进行在线学习。当工况发生变化时,神经网络可及时修改权值,使系统变量间的耦合得以消除。鉴于非线性多变量系统的极端复杂性,将离散的非线性多变量系统按非线性算子的不同分为五类。本文主要针对非线性算子及耦合均在输入端的一类非线性多变量系统,研究如何采用神经网络实现其在线解耦控制。在线解耦的目标函数提出及证明、目标函数实现的困难度测试、基于静态、动态神经网络的在线解耦实现及收敛性分析是本文的研究目标,主要内容可概括如下:1、分析了神经网络解耦器的训练信号,必须满足既能训练神经网络完成解耦,又不影响系统的正常运行。针对白噪声和均匀随机阶跃序列的训练信号,提出了将耦合通道的输入输出序列的广义互相关函数作为实现在线解耦神经网络的目标函数,分析并证明了此目标函数可以反映耦合通道的耦合关系。同时给出了神经网络在线解耦控制的结构,是通过切换系统将训练好的解耦器切换到工作状态。2、在神经网络在线解耦控制结构的基础上,采用分散解耦和前馈解耦两种方式,给出了一类可实现在线解耦的非线性多变量系统。并针对基于广义互相关函数的目标函数,采用适应度距离相关、随机游走序列的相关函数、NK模型和最佳一阶函数等方法综合分析并测试实现优化目标的困难度。3、基于静态神经网络的在线解耦算法设计。针对一类非线性多变量系统中的两个子类,利用遗传算法、遗传算法+模拟退火算法及遗传算法+模式搜索算法分别训练静态神经网络,分析不同解耦结构及不同算法的解耦效果,对解耦后的单回路系统进行单神经元控制和PID控制。4、基于动态神经网络的在线解耦算法设计。在前馈解耦方式的基础上,当神经网络解耦器分别采用时延神经网络、Elman网络和内时延神经网络时,根据随机游走序列的相关函数和最佳一阶函数测试法分析优化目标的困难度,并采用遗传算法+模式搜索法分别训练这三种动态神经网络,分析不同网络的解耦效果。5、对基于静态神经网络和动态神经网络的在线解耦算法分别进行了收敛性的定量分析,定义了收敛速度指标,指出在线解耦算法的可行性。