现代控制理论发展到今天已经形成了较为完善的理论体系，然而，它是以系统的精确建模为前提的。这在工业过程控制中是很难满足的，因此在工业过程领域中并非像期望的那样理想，常常不如PID控制效果好，并且非线性系统广泛存在于客观世界，对于非线性系统，难以获得精确的数学模型，即使能够建立其数学模型，也往往过于复杂，使得传统控制难以达到理想控制效果。第三代基于知识和不依赖于精确数学模型的智能控制给这类问题的解决带来了新的思路。本课题在参阅大量国内外文献的基础上，研究了基于C-R模糊模型的非线性系统建模与控制问题： 首先研究了非线性系统C-R模糊模型的结构及辨识算法，包括模糊输入空间模式分类算法(FISCA)和模糊输出空间模式分类算法(FOSCA)，然后针对实际应用中这两种算法初值选取带有盲目性，改变初值选取对象，使初值选在工作点附近，具有一定的实际意义。同时在分析的基础上改变算法的停止判断条件，减少判断次数，节省了运算时间。 针对非线性系统预测控制中存在的非线性系统建模和求解非线性滚动优化问题，应用C-R模型对非线性系统建模，得到系统的C-R模型，并且把模糊输入空间模式分类算法(FISCA)嵌入到广义预测控制(GPC)算法中，提出了一种新的非线性系统的预测控制算法：CR-GPC。 针对非线性系统应用PID控制的局限性，将C-R模糊模型转换成一个形式上与阶跃响应模型相似的结构，这里称之为C-R模糊阶跃模型。然后，用PID控制算法，求解基于C-R模糊模型的非线性系统PID控制问题。 研究了关系度聚类算法，应用关系度聚类算法在线辨识出系统的模态，即系统C-R模型的模糊子空间的数目，提出了C-R模糊模型的聚类建模方法，在此基础上对C-R模糊模型的辨识方法进行了改进，提出了一种基于关系度聚类算法的动态辨识方法。