电厂热工过程对象具有延迟、时变、非线性和耦合等特点，难以建立精确的数学模型，传统的建模方法不能满足仿真技术发展对模型精度提出的更高要求；常规PID控制在电厂热工过程控制中难以取得满意的控制效果，基于现代控制理论的控制方案因其对模型的精度要求高，难以广泛地应用于电厂热工过程控制中。人工神经网络具有联想、记忆、自适应、自学习和适于处理非线性问题等优点，提供了辩识时变和非线性对象有效的方法，解决了此类对象控制中的瓶颈问题。 本文采用最小资源分配网络(MRAN)分别建立了过热汽温和单元机组负荷的神经网络模型，并将过热汽温神经网络模型转化为传递函数模型，仿真结果表明该模型具有动态调节隐含层单元数、学习速度快和精度高等特点。针对电厂热工过程的特性、在已有控制策略的基础之上，进一步研究并提出了模糊神经元自适应控制、基于反馈误差学习原理的资源分配网络控制和神经网络解耦预测函数控制等新方法。由于这些控制策略无需被控对象的数学模型，而且适应性较广，分别将这些控制策略应用于给水控制、过热汽温控制以及单元机组负荷控制的仿真实验中，模拟结果表明这些控制策略能有效地满足电厂热工过程控制的要求。