针对实际控制系统中存在时间滞后量大或可变的情况下,工业过程难于平稳准确控制的问题,探讨如何对大时滞或变时滞系统进行稳定与优化控制的方法,并结合人工智能方法,对时滞系统进行控制性能优化研究,未知数学模型的系统建模方法,以及建模过程中知识特征分析与获取方法研究。　　 时滞过程控制的研究重点是关于系统的稳定控制,控制系统具有良好的输出性能,控制器结构与参数的优化。对时滞对象进行稳定控制主要采用的方法,包括系统的极点配置；通过构建适当的Lyapunov函数的方法,使系统渐进稳定的条件；等等。参照系统控制性能的评价指标,使系统的二次性能的最小化；或者是对时间误差绝对值积分ITAE的优化；以及系统的性能综合考虑时,可对一些性能进行折中,或多项性能的组合优化。推导时滞过程优化控制器的构建途径,设计得出时滞过程控制优化的控制系统参数的算法。　　 对常见的低阶大时滞对象使用两次优化方法,通过基于全维或降维观测器的反馈控制器的结构分析,采用ITAE的性能或综合性能优化指标,研究降维观测器的大时滞对象优化控制的一般性的参数优化算法。运用混沌优化与克隆方法,对大时滞系统的参数进行优化,给出时滞系统参数优化算法,得出简化的控制器结构,以及一组系统优化参数的计算法。把优化方法扩展运用于包含不稳定极点的大时滞系统,结合内部对称极点配置的反馈回路,在ITAE稳定时滞系统优化的基础上,综合构建大时滞不稳定系统的优化反馈控制器,使不稳定大时滞系统的优化性能得到较大的改进。　　 使用线性矩阵不等式LMI方法,对于可变时滞系统的时滞无关稳定条件进行分析,研究闭环时滞系统H∞优化反馈控制器的设计,给出系统具有H∞性能γ的线性矩阵不等式LMI条件,在系统状态不完全可测的情况下,提出基于降阶观测器的可变时滞系统的动态输出反馈控制器,论证了可变时滞系统γ-次优H∞动态输出反馈优化控制的条件,导出较简单的LMI求解方法。并针对不确定模型的时滞系统,讨论存在外界干扰时系统的稳定与优化控制的条件,提出一种鲁棒稳定的输出反馈H∞优化控制方法.　　 根据人工智能方法特点与优势,探讨智能方法在控制领域的深入应用,提高时滞系统的控制方法智能化程度。在受控对象具有准确数学模型时,可把混沌优化与遗传算法结合运用于大时滞系统的优化控制；而对无明确模型的受控对象进行控制,须先建立系统的数学模型,或依据大量的测量数据库,用粗糙集RS理论对数据信息进行分析,获取信息中的知识与特征信息；生成信息系统的确定性决策规则模型,探讨得出具有简化形式决策规则的方法。经过清理后得到的数据库,使用支持向量机SVM进行机器学习,及其最小序列优化SMO算法扩展后的支持向量回归机；为了解决在大样本环境下SVM学习机性能低的问题,用RS有效处理不精确数据的工具,把训练样本缩小并快速区分出类边界区域中的样本。把RS与SMO的回归机结合提出混合回归算法,可提高大样本条件下SVM学习机的效率,回归机问题转化为分类机问题,可有效准确得出回归(数学)模型。　　 为了验证本文提出方法的有效性与可行性,对应给出时滞系统的优化控制方法或算法的部分,均使用了用于结果验证的仿真实例,大量的实验结果表明了本文的优化控制方法是高效正确的；对一些公式与定理进行推理证明,使用相关智能算法对大数据库进行了特征分析,并给出了机器学习的混合算法与决策模型,表明了时滞系统优化控制方法朝智能化方向发展的趋势。