神经网络技术是智能控制理论的重要组成部分,当前神经网络在系统辨识与控制中的应用还存在许多问题。为此,本文在分析神经网络的逼近能力、泛化能力等理论问题的基础上,研究了误差反传学习算法的改进措施,同时深入研究了神经网络的非线性系统辨识、神经网络PID控制、神经网络内模控制和神经网络广义预测控制等问题,分别提出了一些改进措施、新的控制结构或策略。最后将神经网络成功地用于工程实践。本文对神经网络的逼近能力和泛化能力进行了理论分析,一方面指出函数逼近论并不足以构成前向网络数学逼近的基础,另一方面指出泛化问题来源于其开放的体系和创造功能,是不可能绝对避免的。同时,比较了神经网络与人工智能之间的不同之处。在分析基本误差反传学习算法存在的问题的基础上,本文对各种基于数值优化的学习方法和基于梯度的学习方法进行了分析比较,通过分析和应用研究指出RPROP方法具有很快的收敛速度和较好的适应性。同时分析了神经元的激活函数的选择和非线性误差函数的选择对学习过程的影响。对几种神经网络模型的特点和适用性等问题进行理论分析。提出了一种新型动态递归神经网络用于辨识的方法,该方法对Elman网络泛化能力较差和学习速度较慢的问题有明显改善。本文提出一种新型的简便的神经网络PID控制器,在权系数的修正中,以系统输出对控制量的差分近似系统输出对控制量的微分。同时,还提出了一种单神经元自适应控制的方法。在讨论了逆模型的存在条件和学习方法的基础上,本文提出了一种可以在线自适应调整的、镇定的内模控制方法,通过加入反馈补偿镇定器,解决了无自平衡对象的辨识问题与控制问题,同时通过将控制过程和在线学习过程分开的方法解决了由于训练速度慢而造成的不能在线问题。同时分析了该方法的稳定性。针对神经网络模型用于广义预测控制的算法结构,提出多种改进措施和新的控制策略。包括,提出了一种大幅度提高了计算的速度的简化算法;还提出了一种采用非导数优化进行神经网络预测控制的方法,该方法在简化计算方式的同时解决了普遍存在的约束控制问题;此外,还提出了一种神经网络预测控制与传统的PID控制相结合的复合控制方法;最后在研究神经网络广义预测控制的多变量算法的基础上,通过仿<WP=4>真方法研究了在电站系统中的应用。根据作者的工程实践,对神经网络在过程控制工程中的应用问题作了应用研究,包括在自主开发的控制系统计算机辅助设计CAE2000系统中的应用研究,以及在自主开发的分散控制系统LN2000中的应用研究。