伴随着网络的普及以及控制技术和网络技术的不断发展,网络控制系统应运而生。由于网络的引入产生了新的控制问题,本文则主要针对具有随机时延的网络控制系统的控制问题进行了研究。论文在分析研究广义预测控制算法的基础上,提出了一种改进的广义预测控制算法,该算法不但避免了求解Diophantine方程,而且还简化了矩阵求逆的问题,随着被控系统阶次的提高,该算法更能节省时间。同时对其稳定性也给出了相应的证明。最终将该算法成功运用到具有时延的网络控制系统中。考虑到经典的PID控制算法已经在工业上得到了广泛应用,而该算法要想取得良好的控制效果,必须离线或在线整定PID调节器的参数,但这对于经验不丰富的技术人员或者是时变系统都是很困难的。针对这一问题Yamamoto. T等人将广义预测控制算法与PID控制算法结合起来形成了基于GPC的PID控制算法。但该算法并不太适合网络控制系统,因为网络控制系统并不能简单的等价于时滞系统,尤其是当执行器采用时间驱动且控制器到执行器的随机网络时延大于一个采样周期的情况,因此本论文提出了一种改进的GPC-PID控制算法,以便使该算法能够适合于网络控制系统。由于改进的GPC-PID控制算法是将PID控制算法和GPC算法结合产生的,故而该算法只适合于线性系统,针对这一问题,本论文最后引入了人工神经网络的辨识方法,成功辨识出了非线性系统的广义预测模型参数,使在非线性网络控制系统中应用改进的GPC-PID控制算法成为可能。为了进一步验证该论文开展的研究工作,对本文提出的算法给出了相应的仿真分析,通过仿真分析可以看出改进的广义预测控制算法不但能取得良好的控制效果同时比传统的广义预测控制算法节省了时间。而通过对改进的GPC-PID控制算法的仿真结果则证明了该算法在存在随机时延的网络控制系统中取得了良好的控制效果,同时避免了离线或在线整定PID参数的问题。最后对非线性网络控制系统进行了仿真分析,仿真结果表明将人工神经网络引入到广义预测模型参数辨识之中,使改进的GPC-PID控制算法可以实现对非线性网络控制系统的有效控制。