中和过程是一个典型的非线性、纯时延过程，用常规的线性控制方法不可能对其进行有效控制。在对中和过程自动控制算法的探索中，采用了非线性参数自整定控制和基于模型的前馈控制，本文介绍了这种控制系统的实现和现场控制效果，由于中和控制过程的模型极其难以确定，反应过程变化复杂，因此基于模型的前馈控制无法对pH值和流量值的波动进行有效的补偿。PID控制算法也无法对反应的变化过程做快速的、精确的反应，在控制过程中很容易引起振荡现象，很难对系统实现最优控制。 模糊控制完全是在操作人员控制经验的基础上实现对系统的控制，无需建立数学模型，具有较强的鲁棒性，适用于非线性、时变、时滞系统的控制，对中和过程的控制尤其适合。因此在本系统中引入模糊控制作为前馈控制模型。 神经网络具有逼近任意连续非线性函数的能力，但常用的多层前馈式反传网络本质上是一种静态网络，不适合动态系统的实时辨识，而递归神经网络能够实现对动态系统状态记忆机制的模拟，因此更适合于作为动态时延系统的模型。作者提出了一种基于改进Elman神经网络的一步导前预测控制算法。文中详细描述了用改进的Elman网作为中和过程预测模型的训练算法，利用神经网络梯度信息求取过程控制量的“滚动优化、反馈校正”的控制算法。同时，还介绍了该神经网络一步导前预测控制的实现过程。给出了改进Elman神经网络模型的逼近速度和精度，比较了两种控制方法的控制效果。控制效果表明，该神经网络模型具有很好的动态特性和较强的鲁棒性。 本文最后对全文所做的工作进行了总结，并提出了今后进一步研究所需要做的工作。