在复杂工业过程控制中,控制系统往往具有非线性、大滞后、强耦合、不确定性等特点。该控制系统难以建立精确的数学模型,并且存在响应时间慢和控制精度不足等缺点。传统的控制方法很难达到预期的控制效果。为了克服这些因素对复杂工业系统建模和优化控制的影响,本文以RBF神经网络模型为基础,将RBF神经网络和迭代学习算法相结合,提出了一种新的迭代学习优化策略。在迭代学习控制中,根据历史的实际输入输出数据,用RBF神经网络对下一次迭代的系统输出进行优化,从而使得模型和测量值之间的误差在迭代过程中不断的减小,使得输出轨迹尽可能逼近理想状态,进一步达到优化控制的目的。该算法可为解决一类复杂工业系统的优化控制问题提供一条新的有效技术途径。本文详细叙述了数据驱动的概念、背景及应用范围,并阐述了迭代学习控制方法,进一步验证了该控制方法的收敛性。文章中具体分析了神经网络技术的发展、学习算法、RBF神经网络模型、训练过程等。叙述了联合制碱生产过程的发展和碳化过程,并介绍了其生产过程的控制方法及控制中所面临的困难。本文针对复杂工业过程优化控制中存在收敛速度慢,控制精度低的不足,提出了一种迭代学习优化策略,并以典型的复杂工业系统联合制碱碳化过程为对象进行仿真实验研究。仿真结果表明：该控制方法与原先应用过的模糊神经网络进行效果对比,迭代学习优化策略对复杂工业过程的优化控制更加有效,系统的控制精度和系统响应速度得到明显提高。通过实验研究证明了迭代学习优化策略在复杂工业过程优化控制中的有效性。