打浆过程是制浆造纸生产过程的重要环节，占据首要的位置，它直接影响成浆质量、生产效率和资源能耗。打浆度综合反映了打浆作用效果。 随着当前制浆造纸生产规模的不断扩大，纸机车速越来越快，生产工艺要求越来越高，对自动控制的要求也在不断提高。因此常规的控制理论及控制方法，在一定程度上已经不能满足某些制浆造纸过程中对测量及控制的要求。随着当前控制领域中智能控制算法的不断发展，神经网络算法、仿人智能控制算法、模糊控制算法、遗传算法等在过程控制中得到了越来越多的关注和重视，在实际中的应用也越来越广泛，并解决了不少常规控制算法无法解决的问题，具有非常广泛的应用前景。作为人工智能的重要组成部分，人工神经网络有较大的应用潜力。 本文在阐述了神经网络的发展、现状、基本原理及其在模型识别与自动控制中的应用的基础上，主要研究BP神经网络的结构与算法及其在打浆度软测量及控制中的应用。BP神经网络是目前应用较多的一种神经网络结构。它能以任意精度逼近任意非线性函数，而且具有良好的逼近性能，并且结构简单，是一种性能优良的神经网络。本文研究了BP神经网络的数学理论，详细分析了BP神经网络基本学习算法的优缺点。针对一般BP算法收敛速度慢，易陷入局部极小值的缺陷，给出了常用改进算法，并进行了仿真比较。 针对打浆度不能在线测量及控制的特点，在分析了打浆过程的基础上，运用灰盒(grey-box)辨识技术，采用改进BP神经网络建立打浆度的软测量模型。并在仿真比较了经典PID控制与神经网络PID控制的基础上，分析了两种控制的特点，采用神经网络PID控制来克服经典PID控制器在被控对象具有非线性、时变不确定性和难以建立精确的数学模型时出现的参数整定不良和性能欠佳等缺陷。同时为了提高控制效果，在研究了基于BP神经网络的PID控制器结构和算法的基础上，分析了打浆度控制的特点，提出了Bang-Bang控制与神经网络PID控制相结合的控制器设计思想。从而进一步提高了控制器的性能。提高了打浆度的控制品质。