基于神经网络的预测控制是国内外复杂工业过程控制领域中研究的前沿问题之一。本文根据预测控制的三大机理，在分析基本的预测控制算法的基础上，探讨了基于神经网络模型的非线性系统预测控制算法。重点研究了非线性系统神经网络建模的原理和方法，以及BFGS算法在神经网络预测控制优化求解中的应用。 论文工作的主要研究内容和特色如下： 1)绪论部分对预测控制产生的历史背景、发展历程、研究现状、发展趋势和存在的问题作了简要的综述。对人工神经网络理论的产生和发展进行了简单的回顾。 2)第二章针对三种典型预测控制算法(即模型算法控制、动态矩阵控制和广义预测控制)讨论了预测控制的基本结构和原理，深入分析了它们的预测模型、反馈校正与滚动优化方法。给出了广义预测控制算法的仿真实例，相比于普通的PID算法，控制品质明显提高。对非线性系统的预测控制问题进行了简单的探讨。 3)第三章讨论了神经网络的模型、结构以及它的学习方式和学习算法。深入分析了标准BP算法的基本原理、程序实现以及存在的问题。针对标准BP算法的局限性给出了其改进的算法。在此基础上用神经网络作为预测模型，根据预测控制的三大机理论述了基于神经网络的预测控制系统构成。详细给出了单步神经网络预测控制算法，并指出单步预测控制算法虽然简单，但所含信息量少，系统抗干扰性和鲁棒性较差；采用级联神经网络递推多步预测方法，建立了神经网络多步预测模型，并推导出多步神经网络预测控制BFGS优化算法。 4)第四章基于一个375MW热电厂的锅炉一汽轮机系统仿真模型，离线辨识建立了一个基于三层前向神经网络的预测模型，讨论了网络结构设计、训练算法等神经网络建模问题。并提出了基于多步预测模型的预测控制方案。通过仿真研究表明基于神经网络的非线性系统预测控制算法优于常规的多回路PID控制器。以神经网络作为预测模型的预测控制方案为解决非线性系统预测控制问题提供了一种可行的方法。 5)最后对全文进行总结，并结合自己的研究心得，指出一些可深入研究或有待解决的问题，如非线性系统预测控制算法中主要设计 参数对稳定性、鲁棒性及其他控制性能的影响；存在建模误差及干扰时预测控制系统的鲁棒性；如何选取优化策略，设计出控制效果好、适应性、鲁棒性强的新型预测控制器等。