针对未知非线性系统神经网络预测控制的局部滚动优化问题,本文利用BP神经网络、RBF神经网络建立了一步及多步预测模型,分别通过Newton-Raphson算法、Levenb erg-Marquardt算法对BP神经网络两步预测控制、RBF神经网络三步预测控制进行了滚动优化。仿真结果表明局部优化存在初值问题,容易造成算法收敛到一个不可预料的极小点处,从而造成预测控制系统无法有效跟踪输出参考信号。按照其它文献指出的,将初值选在上一时刻的控制量处无助于问题的解决。为此,本文分析了全局最小点的存在范围,并提出了将初值选在最优性能点处,使得局部优化的结果不超过最优性能点处的目标函数值；通过动态校正权重因子的方法,实现在最优性能点与当前控制点之间一定存在极小值,进一步使得局部优化收敛到该极小值；最优性能点的计算利用了逆神经网络。理论分析和仿真实验都表明了这种方法的有效性。针对未知非线性系统神经网络预测控制的全局滚动优化问题,本文利用只包含一个隐层的前向网络建立了系统的一步预测模型,其中的隐层神经元以Sigmoid函数为激励函数；根据分支定界的框架,利用区间分析实现了对神经网络输出的定界,设计了全局滚动优化方法。通过分析指出了自然区间扩展、泰勒一阶、二阶扩展得到的区间函数超宽的原因,并在此基础上提出了神经网络的线性平行区间扩展法,证明了这种扩展是神经网络输出函数的一种扩展形式,所得到的区间函数是神经网络输出的包含函数。仿真实验结果表明,这种方法能够得到更窄的区间定界,进而大幅降低全局优化算法的时间消耗。