模型预测控制(MPC)是一种新型计算机优化控制算法。模型(MPC)预测控制算法的特点是：系统模型形式多样化，对模型精度要求较低，模型易于在工业现场获得，不需要复杂的系统辨识与建模；同时采用反馈校正基础上的在线滚动优化取代传统的最优控制，滚动优化能够及时地对系统存在的诸多不确定因素的有害影响进行补偿和抑制，因而使控制系统具有较强的鲁棒性能，而且在线计算相对比较简单。MPC的典型算法有三种：模型算法控制(MAC)、动态矩阵控制(DMC)、广义预测控制(GPC)。它们都是基于模型预测、滚动优化、反馈校正三大环节。 在模型预测控制的核心是在线滚动优化，在众多理论研究文献中，这一在线优化问题都被简化成无约束的二次型性能指标优化，这与其实际工业应用的状况差别很大。在预测控制发展的30多年时间中，针对有扰动、有摄动和有约束的模型预测控制(MPC)已经得到关注与发展，非线性MPC(NLMPC)和约束MPC(CMPC)已成为预测控制研究的热点问题。在工业过程中，预测控制的成功应用大多是在多变量有约束的情况下，因此对约束预测控制的研究有重要的实际意义。 本文主要研究有约束的DMC的系统优化问题。对于状态变量存在等式约束关系的情况，首先建立有约束的被控对象系统，构造关于状态变量的约束子空间，再采用投影卡尔曼滤波器作为系统的状态观测器，重构系统的状态变量，不仅抑制了噪声随机干扰，而且使得重构状态更好的符合约束条件，从而增强系统的稳定性和鲁棒性。随后利用MATLAB进行仿真，通过实际模拟仿真来证实该算法的可行性。