时滞是指系统的扰动不能被及时反映，导致当前施加的控制作用要滞后一定时间才能在对象输出中反应出来的现象。时滞现象在冶金、化工、造纸等工业生产中广泛存在着，它的存在会影响到控制质量，导致系统稳定性变差，甚至出现振荡、发散。因此，研究时滞系统的控制问题具有重要的实际意义。　　解决时滞控制问题的关键在于对系统输出的预测，而预测控制可以根据历史信息和当前时刻的输入来预测未来的输出，因此，学者们广泛开展了时滞系统的预测控制研究并取得了一定的成果。对于时滞非线性系统的预测控制，首先需要建立能够描述系统动态特性，且能适应外部环境变化的预测模型。针对神经网络等具有逼近复杂非线性能力的工具无法直接应用于时滞系统的广义预测中这一问题，本文研究了如何将神经网络辨识工具有效用于预测模型的辨识，并对预测控制结构进行改进。论文的主要工作如下：　　1．分析了预测控制在时滞系统中的优势及神经网络模型的构造方法。首先针对含时滞特性的非线性系统辨识分析了神经网络的结构以及优化算法，并通过改进的随机牛顿法估计权值。通过仿真对比实验验证了改进的神经网络优化算法能有效描述时滞，训练模型收敛。　　2．为了验证上述既得神经网络时滞模型的有效性，基于预测自校正PID控制进行了研究，使用神经网络来完成其前向预测模型的辨识，进而完成控制器设计。实验结果表明，该方法对 NARMAX 类时滞系统具有较好的补偿作用，但是随着延时的增加系统存在着潜在的振荡与不稳定。　　3．针对预测自校正控制器固有的不足，基于广义隐式预测控制结构，对其预测模型进行改进。用神经网络逼近系统的非线性特性，通过局部线性化方法对得到的预测模型进行修正，使得控制结构重新转换为一般的隐式预测控制形式，从而为一类时滞系统的预测控制提供了解决方案。最后进行仿真实验，通过与自校正 PID 控制方案的实验结果比较能看出，时滞非线性系统的改进广义预测控制策略的控制效果更为理想。