永磁同步电机（Permanent magnet synchronous machine,PMSM）因功率密度大、调速范围广被广泛应用于风力发电、国防军工等重要领域。近年来,模型预测控制（Model Predictive Control,MPC）技术在PMSM控制领域被广泛应用。MPC具有控制方法简单、动态响应速度快、易于对多目标协同控制等优势,但同时存在计算量大和参数敏感性高的缺陷。针对MPC存在的以上关键问题,本文以模型预测电流控制（Model Predictive Current Control,MPCC）为例,对降低其参数敏感性和计算量进行研究,主要研究内容如下:首先,构建PMSM数学模型并应用欧拉离散法获取预测模型,进一步对传统单矢量、双矢量、三矢量MPCC算法进行研究。传统MPCC中电压矢量的选择多采用枚举法,计算量较大。针对该问题,本文提出了一种优化三矢量MPCC算法。通过判断期望电压矢量所在扇区,然后将扇区内两个电压矢量代入价值函数确定第一备选矢量,最后将第一备选矢量与其余五个电压矢量依次结合并代入价值函数确定第二备选矢量。仿真结果表明,本文优化三矢量MPCC算法不仅缩减了计算量,而且扩大了备选电压矢量的覆盖范围,提高了系统的稳态性能。其次,PMSM自身参数会随运行工况的改变而变化,当电机参数与预测模型发生失配时,会导致MPCC产生误差进而使系统性能下降。针对该问题,本文提出了一种改进型Adaline神经网络算法。该算法主要对其中的定步长LMS算法进行改进,解决定步长下稳态误差大和收敛速度慢的问题,将其应用于电机参数辨识并与优化三矢量MPCC相结合。仿真结果表明,本文基于改进型Adaline神经网络的参数辨识算法能够有效降低参数失配时MPCC的预测误差。最后,仿真和实验结果表明,本文基于参数辨识的PMSM三矢量MPCC策略不仅可以提高三矢量MPCC的稳态性能和计算效率,而且能够消除参数误差的影响,降低三矢量MPCC的参数敏感性。