实际工业生产过程由于工况条件越来越复杂,呈现出强非线性、多输入多输出、多工作点等特点,多模型方法利用“分而治之”的思想能够有效处理此类非线性系统,并取得广泛应用。同时,机器学习的快速发展、开源软件以及深度学习框架的不断优化,也为多模型方法提供了丰富的场景。本文针对非线性系统,提出一种多模型结构框架,其子模型采用RNN神经网络结构,利用前向传播算法和反向传播算法训练;然后采用BP神经网络结构把子模型集合成全局模型,具体工作和所取得的成果叙述如下:首先,针对多模型方法得到的子模型存在模型阶数高、状态维数大等问题,提出以循环神经网络作为子模型结构,通过采集非线性系统工作点附近的数据集,利用前向传播算法和反向传播算法为非线性系统构建子模型集,由仿真结果可知,子模型集的结构较简单且预测准确。其次,针对实际生产过程中采集的数据集都含有噪声数据,而传统训练方法导致模型预测不准确、过拟合等问题。通过分析高斯噪声和非高斯噪声数据集的特点,将Dropout算法加入训练方法中,仿真结果证明该算法可以有效防止上述现象。最后,针对多模型方法中全局模型的构造问题,采用BP神经网络将子模型合成为全局模型,利用子模型集输出数据和非线性系统输出数据来训练神经网络,仿真结果证明该合成方法构成的全局模型可以跟随原非线性系统。