在实际生产过程或控制系统中，关键变量(如系统的状态等)的准确实时获取是保障安全生产和实现控制器设计的重要条件。然而，由于测量设备在经济性和技术性上的限制，使得某些关键变量目前尚无传感器对其进行直接测量，因此需要采用软测量等技术来对这些不直接可测的变量进行估计。目前的各种软测量方法尚存在一些不完善的地方，制约了其在实际生产过程和控制系统中的应用。 为此，在国家自然科学基金和高等学校博士学科点专项科研基金的资助下，本文研究了具有一般形式的非线性系统的软测量问题，提出了神经网络左逆软测量方法。在此基础上，进一步研究了基于左逆软测量和右逆控制的非线性控制器(简称联合逆控制器)的设计问题。最后本文分别研究了神经网络左逆软测量方法在生化过程测量中的应用问题，以及联合逆控制器在电力系统控制中的应用问题。本文的主要研究成果如下： 1．在提出“内含传感器”概念的基础上建立起了左逆软测量理论针对一般非线性系统，首先提出“内含传感器”的概念，它是一个以不直接可测变量为输入、以直接可测变量为输出的假定系统。然后，通过充分挖掘直接可测变量的导数信息(即对直接可测变量进行求导)，给出了一套系统的构造“内含传感器”的建模算法。在给出“内含传感器”左可逆性条件的基础上，构建了左逆软测量模型，将其串联在“内含传感器”之后可形成单位复合系统，进而实现对不直接可测变量的软测量，从而建立起了严格的左逆软测量理论。左逆软测量模型由若干微分器和一个非线性函数构成，其中微分器刻画了此软测量模型的动态过程，而非线性函数则描述了其非线性特性。在原理上，左逆软测量模型对不直接可测变量的估计是实时准确的。 2．给出了理论严格且应用方便的神经网络左逆软测量方法借助神经网络对复杂非线性函数的任意逼近能力，将左逆软测量理论与神经网络相结合提出了更加符合工程实际需要的神经网络左逆软测量方法，它能有效突破左逆软测量模型难以解析实现的工程应用瓶颈。神经网络左逆软测量模型由若干微分器和一个静态神经网络构成，其中微分器刻画了软测量模型的动态过程，神经网络则用于逼近非线性函数，描述了软测量模型的非线性特性。这种动态特性和静态特性相互结合、神经网络与微分器各司其职的结构简化了神经网络的内部结构，物理意义直观，有助于工程实现和应用。 3．给出了基于左逆软测量与右逆控制的联合逆控制器设计方法借助左逆软测量模型能实时准确估计被控系统不直接可测状态的特性，将其与右逆系统相结合，提出了基于左逆软测量和右逆控制的非线性控制器设计方法(简称联合逆控制器设计方法)。联合逆控制器不仅可以实现原非线性系统的线性化解耦，而且解决了右逆系统构造中不直接可测状态的反馈问题(即联合逆控制器的构造只需要直接可测的变量及其导数即可完成)，易于工程应用。进一步，为解决联合逆控制器解析实现的困难，首先利用左逆软测量模型本质上是一个非线性函数这一特点，将理论上存在的左逆软测量模型(即非线性函数)代入右逆系统得到整体形式的联合逆控制器，然后再对其采用神经网络来实现，最终给出了神经网络联合逆控制器，得到了一种更加符合工程实际要求的非线性控制方法。 4．研究了神经网络左逆软测量方法和联合逆控制器设计方法的实际应用将神经网络左逆软测量方法应用于实际的红霉素发酵过程，实现了关键生化变量的在线软测量，现场实验结果验证了该软测量方法的有效性和实用性。分别以发电机励磁控制系统和励磁汽门综合控制系统为例，将联合逆控制器设计方法应用于电力系统非线性控制，仿真结果显示其具有良好的控制效果，从而验证了其有效性。 5．给出了基于Interactor算法的右逆系统构造方法此外，在联合逆控制器设计过程中，首先在亚纯函数域的框架内将Interactor右逆算法从仿射非线性系统推广到了一般非线性系统，该算法与目前通常采用的Singh求逆算法相比，它在运行过程中无需交换输出或输出导数次序，降低了算法的复杂程度，简化了算法过程且易于理解。然后，给出了基于Interactor算法的一般非线性系统的右可逆性条件及右逆系统构造方法。 综上所述，作为一种理论严格、简单有效的软测量技术，神经网络左逆软测量方法在实现对不直接可测变量的实时准确估计方面(如对化工、生化等重要过程变量的估计)将具有重要的应用价值，对提高实际工业生产的产量和质量都将起到很好的推动作用；而基于左逆软测量与右逆控制的联合逆控制器设计方法则解决了右逆系统构造中不直接可测状态的反馈问题，易于工程应用。最后需要指出的是，本文的研究对象是具有一般形式的非线性系统，因此本文给出的方法具有广泛的适用性。