模型预测控制（model predictive control,MPC）在工业过程中已得到了广泛应用,其在约束处理、系统鲁棒性能提升等方面具有重要优势。预测控制器设计参数对其控制效果有显著影响,因此亟需结合预测控制系统特点提出快速有效的参数整定方法。然而,模型不确定性在实际系统中广泛存在,现有工业应用中的参数整定方法大多基于工程经验或标称系统,导致不确定系统预测控制参数整定存在一定的盲目性。针对上述问题,本文提出了一种基于机器学习的参数不确定工业系统模型预测控制参数整定方法,具有重要的理论和应用意义。首先,针对具有参数不确定性的一阶加滞后系统,提出了一种基于人工神经网络的模型预测控制参数整定方法。使用径向基函数神经网络（radial basis function network,RBFNN）表征控制器参数与鲁棒时域性能指标之间的映射关系。由于在预测控制参数整定中通常考虑多个具有耦合关系的鲁棒性能指标,因此进一步使用反向传播神经网络（back propagation network,BPNN）神经网络进行性能指标融合,基于专家经验生成表示对相应指标可接受水平的标签。同时利用粒子群算法（particle swarm optimization,PSO）对模型不确定系统的预测控制参数进行优化,以达到预期的系统响应要求。结合污水处理系统的p H调节过程开展仿真实验,验证了所提参数整定算法的正确性和有效性。其次,针对存在模型不确定性的高阶复杂系统,提出了一种基于模糊C均值聚类（fuzzy c-means clustering,FCM）-神经网络（neural network,NN）-蜉蝣算法（mayfly algorithm,MA）的参数整定方法。在保证参数整定准确性的前提下,基于极端系统采样法简化了网络数据的采样过程。另外,对于不确定系统预测控制参数整定问题所存在的缺失数据值进行了定值替代和模糊C均值聚类,进一步提高了鲁棒时域性能指标的预测精度。同时利用蜉蝣算法减小了模型不确定系统的参数整定时间,提高了参数整定效率。结合变风量空调系统的室温调节过程开展仿真实验,验证了所提参数整定算法的正确性和有效性。最后,针对上述模型预测控制鲁棒参数整定方法,在变风量空调半实物实验平台上进行了不同应用场景下的实验验证。实验结果表明,本文所提出的模型不确定系统预测控制参数整定策略相较于传统的预测控制参数整定方法,能够有效节省计算成本及参数整定时间,并且具有良好的整定效果。