随着工业系统的大型化、复杂化发展,随机信号对于实际系统的干扰变得越来越不可忽视。以往的控制系统设计方法往往基于干扰服从高斯分布的假设,而在实际的工业过程中,系统模型往往是非线性的,且扰动不一定服从高斯分布。近几十年来随机控制理论的不断完善更新,为解决随机系统的控制等问题带来了希望。随机控制理论从系统变量的概率密度函数出发,不局限于变量的均值和方差,同时将变量的高阶矩信息考虑在内,具有更广泛的意义。本文首先针对有机朗肯循环系统(Organic Rankine Cycle system,ORC)遭受非高斯扰动的情况下,使用一种具有特殊结构的循环神经网络来对系统进行辨识,建立对象的数学模型。该神经网络使用生存信息势(Survival Information Potential,SIP)作为训练准则,并基于信号流图计算灵敏度,仿真结果证实了辨识算法的有效性。由于实际运行过程中ORC系统的膨胀机转速与工质泵转速不能发生过大变化,设计了基于神经网络模型的带约束预测控制算法,并通过差分进化(Differential Evolution,DE)算法来求取控制律,设定值跟踪能力的测试展示出设计的控制器具有良好的效果。其次,针对ORC系统,设计了一种基于量化最小熵的控制器。该控制器采用量化最小熵作为指标,相比较于传统的Renyi熵大大降低了熵计算的复杂度。并且由于传统的梯度下降法收敛速度慢、容易陷入局部最优等缺陷,因此将粒子群优化算法(Particle Swarm Optimization,PSO)代替梯度下降法来求解最优控制律,仿真结果表明设计的控制器能够很快的跟踪上设定值的变化,并且随着时间的进行,跟踪误差的概率密度函数变得又尖又窄。最后,针对遭受非高斯干扰的系统,基于混合相关熵设计了一种滤波器。混合相关熵相比较传统的相关熵,采用具有不同核宽度的高斯核函数作为Merce核,其相比较传统的单一高斯核函数有效的解决了核宽度的选择。将设计的滤波器应用于风能转换系统,并采用PSO来求解滤波器增益矩阵,仿真结果表明设计的滤波器能有效的估计出系统的状态。