随着现代工业向大型化、集成化方向发展，生产过程日趋复杂，过程严重非线性、时变性、不确定性及变量间的强耦合使许多系统缺乏精确的数学描述，难以用传统的理论方法分析和控制，因此有必要研究新的智能控制策略。目前，神经网络、模糊控制和遗传算法已经在不同领域中取得了相当成功的应用，但它们在单独模拟人类智能活动时，又存在着各自的局限性。因此综合这几种方法的优点以克服各自的局限性，将对控制理论的发展和自动控制水平的提高起到积极的推动作用。本课题在分析了神经网络控制系统之后，主要进行了两个方面的研究。其一：在对神经网络与遗传算法进行结合的基础上，提出了一种神经网络辨识的混合学习算法，利用混合编码的自适应递阶遗传算法同时优化神经网络的拓扑结构和连接权值。其二：在对神经网络与模糊逻辑进行结合的基础上，通过使用补偿模糊运算自适应地调整隶属函数的参数，同时动态优化模糊推理。然后引入递归节点使网络具有了动态映射的能力，从而构成了递归补偿模糊神经网络。针对这个网络，首先采用改进的相关等级聚类法构造网络的初始模糊模型，再利用动态梯度下降算法优化网络参数。通过对典型非线性系统的仿真研究，验证了两种网络学习算法的性能。最后，将本课题的研究结果应用于氧乐果合成反应温度过程的控制，较好的满足了控制要求。本课题主要工作和研究内容如下：(1)分析神经网络、模糊控制和遗传算法的发展现状。(2)研究神经网络控制的基本原理，分析神经网络辨识结构，并给出了BP神经网络及其基本算法。(3)研究递阶遗传算法的基本原理，给出了优化神经网络结构和权值的自适应递阶遗传算法的操作流程，分析传统BP算法存在的缺陷，提出了一种神经网络辨识的混合学习算法。(4)将模糊逻辑和神经网络相结合，在分析模糊神经网络设计难点的基础上，研究了基于模糊补偿算子的神经网络，通过引入递归节点，设计了一种新的递归补偿模糊神经网络，并采用改进的相关等级聚类法构造网络的初始模糊模型，用动态梯度下降算法进一步优化网络参数。(5)以动态非线性系统为例，分别仿真研究本文设计的两种神经网络性能。(6)分析氧乐果合成反应对象的特性，利用所设计的基于递阶遗传算法的神经网络和递归补偿模糊神经网络组成氧乐果合成反应温度控制系统，并进行仿真研究。