通用模型控制(CMC)是在一般模型控制(GMC)的基础上发展起来的，一种可以直接利用非线性过程模型的非线性模型控制方法，在没有控制约束以及模型精确的情况下，可以使得闭环系统是一个标准的二阶系统。这种方法具有结构简单、鲁棒性强、控制器参数易于整定的特点。但是通用模型控制要求过程一阶微分模型应该有显式解，为了克服这种局限性，引入小波神经网络(WNN)。 小波神经网络是小波理论与神经网络相结合的产物，是具有单隐层、以小波函数为激励函数的前馈型神经网络。许多学者对小波神经网络的一致逼近和L2逼近能力的研究进行了大量的具有开拓性的工作，为小波神经网络用于系统辨识、建模与控制提供了理论依据，并且由于小波神经网络具有学习算法简单、收敛速度快，能高精度逼近任意非线性映射等特点。可以方便的应用于诸如自适应控制、逆系统方法、内模控制等，还可用于控制系统的故障诊断与检测等方面。 本文首先应用小波神经网络对所研究的非线性系统进行逆辨识，使得辨识模型具有所研究对象的逆特性，将辨识模型结合通用模型控制器对被控对象进行控制，为了进一步提高控制策略的鲁棒性，采用模型参考自适应控制，仿真结果验证了该控制策略的有效性。