随着汽车尾气排放标准的日益严格，以及人们对汽车发动机的燃油经济性和动力性能的要求不断提高，发动机空燃比的精确控制已经成为国内外学者所研究的热点问题之一。目前汽车发动机广泛采用的空燃比（Air-fuel ratio, AFR）控制方法是以MAP图为基础的控制方法。该方法不仅需要进行大量的标定实验，而且在发动机瞬态工况下，空燃比的控制精度无法得以保障。本文以研究和建立适合于工程应用、控制精度高、鲁棒性强、具有自适应能力的火花点火（Sparkignition, SI）发动机的AFR控制方法为目标，以SI发动机辨识模型为基础，采用非线性模型预测控制的方法，深入进行了SI发动机AFR控制的理论与方法研究。本文所作的研究工作主要为：1).利用径向基（Radial basis function, RBF）神经网络模型实现了对SI发动机AFR系统的建模。采用随机幅值序列（Random amplitude sequence, RAS）信号作为SI发动机AFR系统的激励信号，使得训练数据可以反映出AFR系统的全部非线性动态特性。利用渐消记忆RLS算法实现了基于RBF神经网络模型的SI发动机AFR系统建模以及参数在线自适应更新，有效地解决了由于发动机长期工作磨损以及制造公差等原因所导致的系统参数变化对模型预测精度的影响，从而使得该模型具有训练计算量小、建模精度高、可自适应在线更新等一系列优点。2).在对传统二阶Volterra模型进行深入地研究和分析的基础上，针对SI发动机AFR系统对不同输入变量的响应速度之间存在严重差异的问题，对传统二阶Volterra模型进行了改进，提出了一种SI发动机AFR系统的变采样间隔的Modified Volterra模型。该模型与传统二阶Volterra模型相比，在保证系统辨识精度的基础上，有效地降低了模型的维数，从而大大降低了模型建模和预测过程中的计算量。此外，利用渐消记忆RLS算法实现了Modified Volterra模型的参数在线自适应更新，使其更加具有工程实际应用价值。3).针对SI发动机AFR非线性模型预测控制中的寻优问题，提出了一种不等式约束条件下的非单调可行信赖域SQP优化算法。该方法在信赖域SQP优化算法的基础上，针对不等式约束问题，引入了可行信赖域和非单调线搜索技术，从而大大降低了算法的计算量，提高了算法的收敛速度，并且有效地避免了算法陷入Marotos效应。文中对该算法的可行性和收敛性进行了严格的理论证明。4).采用本文所提出的非单调可行信赖域SQP优化算法，提出了一种基于RBF神经网络模型的SI发动机AFR非线性模型预测控制方法。在该方法中，由于所采用的非单调可行信赖域SQP优化算法仅利用了模型的预测输出序列，与预测模型的形式、结构及内部参数无关，因此有效地解决了RBF神经网络模型内部参数无法利用的问题，使得该方法具有控制精度高、鲁棒性强且具有自适应能力的特点。仿真实验充分证明了该算法对SI发动机AFR控制的有效性。5).提出了一种基于Modified Volterra模型的SI发动机AFR非线性模型预测控制方法。该方法利用Modified Volterra模型可将非线性系统的线性和非线性部分分开的结构特点，采用最小二乘的方法对最优控制序列直接进行求解，因而使得该算法具有控制精度高、计算量小、鲁棒性强且具有自适应能力的特点。仿真实验结果验证了该算法对SI发动机AFR控制的有效性。6).提出了一种同时基于RBF和Modified Volterra两种模型的SI发动机AFR联合非线性模型预测控制方法。在该方法中，将RBF神经网络模型和ModifiedVolterra模型结合起来，互相取长补短，不仅具有RBF神经网络模型计算量小、预测精度高的特点，而且又可利用Modified Volterra模型结构直接求取最优控制序列的最小二乘解，从而使得该方法与本文所提出的前两种基于单独模型的非线性模型预测控制方法相比，具有计算量更小、鲁棒性更强、控制精度更高的特点。仿真实验结果验证了该算法对SI发动机AFR控制的有效性。