人工神经网络具有并行处理能力、自学习能力、自适应能力和以任意精度逼近任意非线性函数的能力,在模式识别、系统辨识、控制等领域得到了广泛的应用。本文就神经网络在系统辨识与系统控制方面的应用展开研究,提出了几种较新的系统模型辨识和模型参数辨识方法,并改进了神经控制系统参数调整的算法。本文针对BP网络训练速度慢、易于陷入局部极小点、泛化能力弱的特点,提出了用共轭梯度法来调整网络参数,在一定程度上改善了前向神经网络的辨识效果。研究了神经网络对定义在Hilbert空间H中的线性离散时变系统的辨识结构,分析了辨识系统对原系统的逼近能力。进一步分析了Hilbert空间正交基对网络训练的影响。在系统控制方面,在讨论了人工神经元的PID调节器训练方法的基础上,分析了人工神经元闭环控制系统的结构、参数调整、学习训练及系统的稳定性之间的关系；并对系统参数调整所用算法加入了动量项和先验经验,使得网络参数的调整不仅仅依靠神经网络的性质,而和先前训练的误差有了一定的关联,这样避免了训练过程中的大幅振荡。