工业过程中的时滞现象是非常普遍的,大时滞的存在严重影响了系统的稳定性,导致系统的超调量变大,调节时间大大加长,甚至出现振荡、发散,系统的动态品质明显变差。对于大滞后系统,许多补偿方法从理论上讲可以克服纯滞后对控制品质的影响,但这需要掌握对象的准确模型。实际上很多控制系统在运行过程中存在不确定性,所以其准确模型很难建立。为此很有必要研究一种不苛求对象模型、抗干扰能力强、鲁棒性好的控制策略。而预测控制具有适应性强、响应速度快、超调量小、调节时间短、鲁棒性强等特点,而且对模型的精确度要求不高,可以很好的控制时滞系统。本文在深入研究动态矩阵控制的基础上,并将其应用于时滞系统,得到良好的控制效果;与Smith预估控制比较,显示出良好的鲁棒性。在深入分析广义预测控制的基础上,将其应用于时滞系统,达到令人满意的控制效果;并通过仿真,研究了广义预测控制设计参数的变化对系统性能的影响。由于许多工业过程往往是非线性的,很难建立精确的数学模型,因此,这些基于线性系统建模的预测控制算法就难于应用。神经网络具有良好的非线性逼近功能,而在两种常用的神经网络中,BP神经网络存在学习过程收敛速度慢,可能出现局部收敛,训练速度慢,效率低等缺点;而RBF神经网络恰能克服上述缺点。基于此,本文将RBF神经网络和动态矩阵控制算法相结合,提出了基于RBF的动态矩阵控制。经过仿真研究表明,该方法运用于时滞系统的控制中显示出良好的控制性能。