在现代工业过程控制中，随着要求产品质量越来越高，对生产过程的控制效果提出了更高的要求。同时，在现代复杂信息环境下，出现了越来越多的复杂控制复杂控制系统。因此，需要开发研究智能化程度更高、实用性更强的智能控制算法。本文基于神经内分泌免疫生物网络系统的多种生物调节机制，对相关智能控制算法进行了研究。首先，对人工神经网络、人工免疫系统和人工内分泌系统等人工生物智能理论及各种智能控制技术发展进行了综述，指出了目前发展存在的问题以及将来的发展方向。接着，对神经系统、内分泌系统和免疫系统的生理基础及其调控机理或网络模型进行了介绍，为本文各种智能控制算法的研究设计奠定了生物理论基础。然后，基于NEI的调节机制，立足于解决过程控制中的实际问题，结合传统控制理论技术，从智能控制、学习控制、解耦控制、优化控制和网络控制等方面，对相关的智能控制技术进行了深入研究。在智能控制方面，首先基于下丘脑—垂体—睾丸素内分泌调节回路模型，设计了一种双层结构控制器。该控制器包括一级控制单元和二级控制单元两部分。一级控制单元根据控制偏差的大小，动态调整二级控制单元的设定值输入，从而能够迅速、稳定地消除控制偏差。然后，基于内分泌系统超短反馈调节机制，设计了一种超短反馈智能控制器。该控制器的传统控制单元的输出信号反馈给超短反馈处理单元，然后超短反馈处理单元按照激素调节分泌规律进行处理，处理后的信号与原传统控制单元输出信号叠加，从而构成一种非线性控制算法并提高控制效果。最后，通过仿真实验分别对两种智能控制器的控制性能进行了验证，结果表明其控制性能均优于传统PID控制器。在学习控制方面，基于免疫系统的初次—再次应答机制，设计了一种新颖的增强学习智能控制器(RLIC)。该RLIC具有学习、记忆、和进化能力，能够在消除控制偏差的过程中自动地形成控制抗体。当控制偏差再次出现时，RLIC能够结合传统控制算法，快速、稳定地消除控制偏差。控制偏差消除后，新的控制抗体即形成。这样随着控制器消除偏差次数的增多，其学习能力和响应速度变得越来越强。仿真实验表明，该学习控制算法不但优于传统控制算法，也优于传统的Q增强学习控制算法。在解耦控制方面，基于内分泌生长激素双向调节原理，设计了一种仿生双向解耦控制器和一种逆控制解耦控制器，并分别给出了相应的解耦算法。这两种解耦控制器分别根据不同的解耦算法，通过协调控制相应的执行器，从而消除不同控制回路之间的耦合影响。与其它解耦控制技术相比，这两种解耦控制算法比较实际，且更容易实现。通过仿真实验，分别将两种解耦控制算法与传统控制算法进行比较，实验结果表明智能解耦控制算法的解耦效果优于传统控制算法。在优化控制方面，基于内分泌激素调节规律，提出了一种自适应遗传算法(HGA)，该算法的收敛速度、搜索精度均优于标准遗传算法。并在此基础上，基于不同的神经内分泌免疫系统调节机理，先后设计了两种非线性优化智能控制器。第一种是基于NEI系统的整体调节机制的非线性优化控制器(NOIC)。根据免疫提呈机制，NOIC的提呈单元首先对实时控制偏差进行预处理，然后抗体控制单元通过调整抗体控制实体的数目来消除控制偏差。主控单元调节或协调提呈单元和控制抗体单元的控制作用，优化单元和辨识单元优化实时控制参数，从而提高NOIC的控制性能。第二种是基于肾上腺激素调节机制的智能优化控制器(ALIC)。根据实时控制偏差和激素调节规律，ALIC的主控制单元动态调整副控制单元的控制参数；利用HGA，优化单元和辨识单元可以优化主控制单元和副控制单元的控制参数，从而提高控制性能。通过仿真实验表明，这两种智能优化控制器比传统优化控制器均具有更好的控制性能。在网络控制方面，首先基于神经、内分泌和免疫三大系统整体调节机制，提出了一种新颖的分布式网络控制体系架构。然后提出了基于HGA的远程网络辨识算法和远程网络优化控制算法。最后利用一种6自由度微型操平台模型，对提出的网络辨识和优化控制算法进行了验证。最后，对全文研究内容进行了总结，指出研究工作中存在的不足，明确了下一步的研究方向。