在不改变已有工业生产设备和工艺流程的基础上，采用智能建模优化技术来确定化工生产过程的最优操作参数（最优决策参数），保证化工生产过程始终运行在最优工况，是有效提升和改善现代大型复杂工业系统投入小、见效快的有效手段。已有化工生产过程建模优化技术方案，大都存在以下二个问题：　　一是将复杂动态化工系统简化为静态系统进行建模，只是建立动态系统的近似静态逼近模型，导致模型不精确。二是将受扰系统简化为不存在扰动的理想系统进行最优操作参数的确定。在实际操作中，一旦扰动使最优操作参数偏离理论设定值，即会使操作结果偏离期望结果，影响系统工作效率。　　针对以上二个问题，本文采用具有自适应跟踪能力的无迹卡尔曼滤波算法(Unscented Kalman Filter,UKF)对神经网络进行训练以建立复杂动态化工生产过程的精确模型。采用稳健优化设计进行最优操作参数的确定，得到当系统扰动使操作值偏离理论设定值时，依然可以具有较优操作输出的稳健优化操作参数。采用非支配排序遗传算法(Non-dominated Sorting Genetic Algorithm-II,NSGA-II)进行最优参数的确定。　　本文以化工生产过程的具体特性为依据，对UKFNN动态建模方法和NSGA-II的多目标稳健优化方法进行深入研究，取得了以下研究成果：　　一是针对化工生产过程系统不可避免的存在各类不确定噪声，影响UKFNN的建模效果。本文提出基于Gamma Test噪声估计改进的UKFNN来建立化工生产过程的精确模型。二是针对化工生产过程模型复杂，为了加快算法收敛速度，避免算法早熟收敛，本文对NSGA-II的选择算子、交叉算子进行改进，得到改进的NSGA-II算法，以确定最优决策参数。　　最后以氢氰酸化工生产过程为研究对象，采用本文的建模优化方案对系统进行动态建模和稳健优化，取得很好的效果。本文为复杂化工系统的效率提升提供了一条可行的途径。