当前工业领域快速发展，生产过程越来越复杂，基于传统参数模型进行控制、预报和评价已变得越来越困难。充分利用企业所有的大量过程数据，重点发展数据驱动控制理论与方法具有重要的理论与现实意义。本文选取数据驱动控制领域中的无模型自适应控制（Model FreeAdaptiveControl,MFAC）方法为研究对象，以补偿高阶控制器输出的思想，将传统MFAC的泛模型由一阶扩展为二阶，从而重新推导了二阶泛模型MFAC方法。原有MFAC方法中仅提出了全格式线性化的概念，但是并未对该算法给出详细的推导，且由于其表达的复杂性，导致收敛性证明在该领域内一直是个难题。对此，本文给出了基于一阶全格式表达的MFAC算法的详细推导（为了和常规MFAC区别，将其称为改进的非参数模型自适应控制（INPMAC）），并通过严格的数学证明，验证该方法的稳定性和一致收敛性，在适当的条件下，系统的输出和控制器输出均收敛，并且系统输出最终跟踪到期望值。由于该方法在泛模型中增加了前一时刻系统输出增量，因此在提高系统动态预测与控制精度方面都有突出的表现。MFAC控制器参数的选取对控制效果影响非常大，但是目前MFAC控制领域对参数选取的研究几乎空白。本文基于传统性能指标结合梯度下降法，提出了MFAC的参数整定算法。同时考虑实际工业环境中大量存在随机噪声，且具有不对称概率密度函数的非高斯随机噪声尤为常见。因此，引入熵概念衡量不确定程度，使用最小熵性能指标结合梯度下降法，提出了基于最小熵的MFAC控制参数整定方案，从而实现在现场环境中的参数整定。最后，本文讨论了上述方法在实际工业过程中的应用问题。针对65t/h自然循环锅炉，设计完整的基本控制系统，并使用西门子SIMATIC PCS7BOX DCS为控制手段进行实施。利用SCL将MFAC算法封装成先进算法模块，用来控制工业锅炉的过热蒸汽出口压力。经过锅炉升降负荷等一系列试验并与PID控制器对比后发现，该算法完全满足工业控制要求，并具有较快的响应速度、很强的抗干扰能力及鲁棒性。