随着控制系统规模的不断扩大和信息技术的飞速发展,网络化控制系统突破了地域、资源等诸多限制,以其模块化、集成化、数字化与节点智能化的技术特征,成为控制系统的重要发展趋势。在网络化控制系统中,控制网络通信机制所带来的信道扰动、数据包丢失、节点间信息传输时延等因素,将导致网络化控制系统丧失定常性、完整性、因果性和确定性。传统的点对点直接控制系统的分析与设计方法不再适用于网络化控制系统,因此,需要针对网络化控制系统的特性,重新研究控制系统的分析与控制方法。智能控制是集人工智能、模糊集理论、运筹学和控制论相融合的交叉学科。利用智能控制技术研究网络化控制系统的控制方法,可以很好地解决网络化控制系统的模型不确定性给系统分析与设计带来的复杂性问题,进而为建立网络化控制系统的分析与控制策略提供有效途径。学位论文全面综述了网络化控制系统分析与控制中的主要问题与智能控制技术,深入分析了BP网络与遗传算法的特性与机理。针对网络化控制系统中的时延影响系统性能问题,提出了基于快速BP网络的网络化PID控制、基于梯度加权遗传算法-BP网络的网络化预测控制和基于模糊算法的变采样周期网络化控制等控制方法。主要工作如下:(1)针对网络化控制系统中的时延补偿问题和PID控制器参数整定问题,提出了一类基于快速BP网络的网络化PID控制方法。考虑样本数较多时BP网络时延预测模型求取隐含层节点数耗时问题,提出了维度投影法,维度投影法不需要反复实验,也不需要交叉验证,而是通过直接计算的方式快速求取BP网络的隐含层节点数。考虑BP网络时延预测模型学习方法耗时问题,提出了基于参数自适应遗传算法的混合学习方法。由维度投影法和基于参数自适应遗传算法的混合学习方法构建了快速BP网络时延预测模型,该模型提升了系统的运行速度和控制精度。考虑网络化PID控制系统中的积分饱和问题、PID控制器参数整定问题和应对模型失配的能力,对PID控制器的积分项进行了改进,并设计了基于在线BP网络的PID参数调节器。基于快速BP网络时延预测模型和在线BP网络PID参数调节器,给出了基于快速BP网络的网络化PID控制方法。(2)针对网络化控制系统中的时延补偿问题和被控对象模型未知问题,提出了一类基于梯度加权遗传算法-BP网络的网络化预测控制方法。考虑样本数较少时BP网络时延预测模型隐含层节点数求取耗时问题,提出了权值分析法,权值分析法依赖于BP网络的权值统计信息而非测试结果,因此对数据集的划分不敏感,可采用抽样放回的方式划分数据集,从而节省了时间。考虑BP网络时延预测模型局部最优问题,提出了基于梯度加权遗传算法的混合学习方法。由权值分析法和基于梯度加权遗传算法的混合学习方法构建了梯度加权遗传算法-BP网络时延预测模型,该模型可提升系统的控制精度。考虑网络化控制系统中的线性和非线性控制问题,设计了基于在线BP网络的单步预测控制器。基于梯度加权遗传算法-BP网络时延预测模型和在线BP网络单步预测控制器,给出了基于梯度加权遗传算法-BP网络的网络化预测控制方法。(3)针对线性和非线性网络化控制系统的时延在线调节问题,提出了基于模糊算法的变采样周期网络化控制方法。采用基于模糊算法的变采样周期方法对时延进行在线调节,并设计了可用于线性被控对象和非线性被控对象的模糊控制器,给出了基于模糊算法的变采样周期网络化控制方法。利用遗传算法对BP网络进行优化和改进,在此基础上提出的基于快速BP网络的网络化PID控制、基于梯度加权遗传算法-BP网络的网络化预测控制和基于模糊算法的变采样周期网络化控制等控制方法,可以很好地解决网络化控制系统分析与控制中的模型不确定性、时延预测与补偿等问题,并使用仿真平台进行了实验验证。上述成果对丰富与完善网络控制理论、加速网络化控制系统更广泛的应用,具有重要的促进意义。