实际工业过程在某种程度上都是非线性的,因此建立精确有效的非线性模型是控制器设计、优化和预测的基础。模块化非线性模型不仅结构简单,而且可以准确的描述非线性系统,因此受到人们的广泛关注。模块化非线性模型由一个静态非线性函数和一个线性动态函数按一定的形式串联而成。按照线性系统和非线性系统的连接顺序不同,主要分为Wiener模型和Hammerstein模型。本文中利用极值学习机这种结构简单的神经网络表示非线性子模块,有效地解决了静态非线性部分的描述问题。本文针对模型辨识和预测控制问题,做的主要工作有:首先,基于极值学习机构建了一种线性部分由ARX模型表示,非线性部分由ELM模型表示的ELM-Hammerstein模型。在此模型基础上提出了一种Hammerstein模型的在线辨识方法。并且,在递推最小二乘法中引入变遗忘因子,相对于常值遗忘因子递推最小二乘法提高了辨识精度,保证了算法的收敛性和稳定性。其次,针对Wiener模型中子模型的表示问题,采用能够以很高的精度表示任意的线性动态系统的Laguerre正交滤波器表示线性子系统,并采用极值学习机描述模型非线性子系统,构建Laguerre-ELM Wiener模型。在模型阶次的确定过程中,采用Lipschitz商准则辨识模型的阶次。在对几种测试函数的试验中,通过与其他几种方法对比,验证了本文所提出方法的有效性。最后,在已经被辨识的Laguerre-ELM Wiener模型基础上,提出一种模型预测控制算法。控制器设计时通过引入非线性模型的逆,将复杂的非线性预测控制问题转化为线性模型的预测控制问题。仿真试验中,将所提方法成功的应用于流体控制阀模型的辨识与控制问题中。通过与PID控制方法相比照,表明本章所提的方法能够有效的跟踪期望输出,可以达到期望的控制效果。