本文针对实际控制工程中的多变量系统，研究自适应控制算法和解耦算法。由于过程控制系统存在着非线性、时变性、耦合、时滞和非最小相位特性等因素，使被控对象难以用精确模型表述，并且对控制器的设计造成了困难。大多数已有的控制方法难以得到令人满意的控制性能，使控制领域的学者一直在寻找更好的控制算法。在这一背景下，多变量时滞和耦合系统的控制算法受到关注。由于神经网络具有并行机制、容错性、分布式存储和自适应性等优良特征，因此，本文把神经网络和自校正控制算法相结合，探索多变量时滞和耦合系统新的控制算法。本文从研究单变量线性系统开始，到研究多变量系统再到研究非线性系统，然后研究时滞系统，最后研究时变时滞系统，从简单到复杂，循序渐进，取得了较好的结果。本文的主要研究内容包括以下几个方面：一、对单变量线性连续系统和离散随机系统进行了研究。研究了一种不需要辨识被控对象滞后时间和容错性强的控制结构。对带控制量的自回归滑动平均模型(CARMA)和带控制量的自回归积分滑动平均模型(CARIMA)这两种模型进行了研究，提出了对模型辨识要求较低的自校正控制算法。二、对非线性饱和时滞系统，研究了一种抗干扰能力强的多补偿环节预估控制方法。三、对非线性时变时滞系统，研究了用BP神经网络进行系统辨识和设计控制器的自校正控制方法。四、对带有死区的非线性时变系统，提出了用两个RBF神经网络分别对系统的非线性和死区环节进行补偿的自校正补偿方法。五、对多变量时滞线性耦合系统，提出了解耦补偿器的输出端和系统的输出端连接的并联解耦补偿控制。六、对多变量非线性耦合系统，提出了改进的BP算法和PID进行结合的解耦控制，并用粒子群PSO算法对BP网络的初始值进行了优化。最后在MATLAB/Simulink仿真平台上，对上述控制方法进行了大量的仿真实验。仿真结果表明了方法的优越性和应用价值。