非线性动态系统在工业生产中应用广泛，是工业控制中的典型对象之一。对这类系统进行辨识研究具有很大的现实意义。系统辨识是控制理论研究的一个重要分支，它是控制系统设计的基础。在该领域中最困难的就是非线性动态系统的辨识，本文以加热炉这类具有大惯性、大时滞及其它不确定性因素的系统为实验对象进行神经网络辨识方法的研究。　　 根据神经网络的分类，首先利用典型的BP神经网络和Elman神经网络对加热炉系统进行建模研究。对于BP神经网络和Elman神经网络隐层节点的确定采用一种黄金分割法，得出最优的网络结构。进而应用基本BP学习算法和LM算法进行仿真，基本符合辨识效果，但是训练误差和泛化误差较大。　　 针对基本BP算法容易陷入局部最小值，收敛速度慢的缺点，采用一种基于正交试验设计的改进粒子群算法，与BP神经网络和Elman神经网络相结合。首先利用改进粒子群算法计算出神经网络的初始权值，进而利用BP算法进行网络训练，检测网络的泛化性能。　　 最后，分别将基本BP网络，Elman网络，改进粒子群算法优化BP、Elman网络应用于加热炉温度辨识实验中。结果表明，应用改进算法后，无论从网络的收敛速度还是泛化能力方面都得到了很大的改进，辨识效果优良。