干体炉温度控制系统是一个典型的纯时滞、时变以及大惯性非线性系统。对干体炉温度控制方法的研究是干体炉研发过程中的主要环节。由于RBF神经网络具有以任意精度逼近任意连续函数的能力,所以它在系统辨识、非线性系统控制、模式分类等领域发挥着重要作用。为了提高干体炉温度控制的效果,建立了干体炉的离散模型;提出一种新的RBF神经网络学习算法,并对该学习算法的各项指标进行仿真;设计出干体炉装置的操作软件。首先基于干体炉的工作原理,利用机理分析法建立干体炉温度的离散模型。在该模型的基础上使用相关系数辨识法修正模型中的增益系数和衰减系数,辨识系统的温度延迟系数,得出干体炉温度的离散模型。其次研究最新的RBF神经网络学习算法(RAN-Resource Allocating Network-算法和GIRAN-Generalized Improved Resource Allocating Network-算法)。针对RAN算法缺少神经元删除准则以及网络收敛速度慢和GIRAN算法中新颖性准则需要输入样本分量的概率分布函数的缺点,提出一种新的RBF神经网络学习算法-SRAN (Simple Resou rce Allocating Network)。SRAN学习算法包括新颖性准则,删除准则,输出权值和神经元参数的更新方法。SRAN学习算法通过新颖性准则和删除准则调节网络中隐含层的神经元数目,采用最速下降法更新输出权值,神经元的参数在初始化后不做更新。然后通过计算机仿真,在神经网络的结构,逼近速度,温度控制效果和算法复杂性方面对SRAN算法和LMS算法进行了比较。经过对仿真结果的分析,得出基于SRAN学习算法的RBF神经网络结构简单、逼近速度快、控温效果好、计算量小的特点。最后根据干体炉温度校准的要求,利用C++Builder2010开发环境设计干体炉装置的操作软件。用5个案例对软件模块进行测试,测试结果表明该软件具有操作简单、界面友好、功能齐全的特点。