预测控制作为处理现代工业过程控制的有力工具引起了广泛关注。其中监督预测控制(Supervisory Predictive Control)算法是预测控制的一种典型算法,基于SPC具有良好的控制性能和经济性能,在前人研究成果的基础上,对工业过程中的各种应用进行了一定程度的改进和研究。本文的主要工作和创新点包括：(1)针对多模型结构的非线性系统,在特殊工况下建立局部线性模型,分别设计独立的预测控制器,然后根据改进的权值设定方法进行线性输出加权。通过对权值的选取方法进行改进,首次利用监督预测控制算法中的目标函数,不仅包含了误差指标,同时还包含了经济性指标,相对于传统的设计方法而言,可以预防偏差的出现,同时可以抑制控制量的波动,从而进一步防止预测输出的超调。仿真结果验证了基于多模型结构的监督预测控制算法的可行性和有效性,从而为工业过程控制提供了有力的理论依据。(2)对于T-S模型所描述的一类非线性系统,利用多步线性化的模糊预测控制策略,在每个采样点线性化转化为线性时变状态空间模型,进而采用线性监督预测控制的算法进行仿真,进而验证了该算法的可行性。在设定值优化过程中,结合了遗传算法优化原理对设定值进行优化求解。通过单步模糊SPC和多步模糊SPC与传统的线性SPC以及非线性SPC进行对比仿真,仿真结果验证了基于遗传算法的模糊模型的多步SPC算法具有更好的控制性能。(3)利用最小二乘支持向量机回归的思想,对系统进行建模。提出了基于柯西分布加权的最小二乘支持向量机建模的方法,并把辨识出来的预测模型用于监督预测控制算法中,仿真结果表明基于最小二乘支持向量机的监督预测控制算法及基于柯西分布加权的最小二乘支持向量机的监督预测控制算法相比基于支持向量机的监督预测控制算法及传统的加权最小二乘支持向量机的监督预测控制算法具有更好的控制性能。(4)最小二乘支持向量机回归所建立的模型作为监督预测控制的对象,在优化问题上采用改进的粒子群优化算法进行设定值的动态优化计算,通过实际例子进行了仿真研究。(5)针对预测输出超调问题,对阶梯式监督预测控制算法进行改进,提出了单步输出阶梯式监督预测控制算法,通过引入单步预测输出差值项,从而达到一定的目的,并结合实例进行了仿真研究。