随着现今世界工业化程度逐步提高,工业生产规模逐步扩大,许多大型工业过程中的工艺流程也变得越来越复杂,并且这些过程通常会存在多变量、强耦合和强非线性的特征,这使得基于数据驱动的建模方法逐渐成为研究热点。偏最小二乘法(Partial least squares,PLS)作为一种基于数据驱动的多元统计技术,已经在故障诊断、软测量等领域得到了广泛的应用,但是在控制领域的发展仍处于研究初期。本文将PLS与模型预测控制进行了有机融合,研究了基于潜变量空间的广义预测控制方法,主要的研究工作包括:针对于实际工业过程存在的多变量和共线性问题,介绍了一种基于ARX-PLS动态模型的广义预测控制方法。该方法利用PLS建立潜变量空间,从而对过程进行解耦、消除共线性,将原来的多变量控制问题,转变为多个并行的单变量控制问题,使得控制器的设计更加简单,计算时间减小,通过对四容水箱的仿真研究验证了算法的有效性。接下来对ARX-PLS动态建模算法进行了改进,研究了一种新的动态建模方法,即ARX-Dynamic inner PLS算法。该方法不仅精确的描述了潜空间内系统的动态内模型,同时保持了内外模型的一致性,并在此基础上,设计了广义预测控制器。针对由于环境等因素产生的模型失配问题,将递推最小二乘算法和递推偏最小二乘算法相结合实现内外模型参数的自适应更新,以保证模型与对象的实时匹配。通过仿真研究验证了算法的有效性。针对实际工业过程具有的时变性和强非线性,研究了一种基于局部最小二乘支持向量机(LSSVM)的潜空间广义预测控制方法。该方法首先通过PLS算法构建潜变量空间,然后利用即时学习选择相关数据样本,在线滚动建立每个单变量子系统的局部非线性LSSVM模型,最后利用广义预测控制器对这多个子系统分别实施预测控制。通过对四容水箱和pH中和过程的仿真研究验证了算法的有效性。针对实验室过程控制装置进行了潜空间广义预测控制的实验研究。首先通过OPC通讯和浙大中控的组态软件SUPCON,实现MATLAB和过控装置的通讯,然后将本文所提算法实施于过程控制装置上,验证了算法的实际控制效果。