现代工业的生产过程大都是具有非线性、多变量强耦合的复杂工业过程,其数学模型往往难以建立,因此限制了传统解耦控制方法在其控制中的应用。以神经网络解耦为代表的智能解耦控制技术不需要系统精确的数学模型,可以有效地解决复杂工业过程的控制问题,但由于现有的神经网络解耦控制算法无论在算法上还是在理论上都还不完善,所以论文对神经网络解耦控制算法进行了研究。此外为克服传统优化算法训练神经网络时存在的求解精度低、收敛时间长以及易于陷入局部极值等缺点,论文采用免疫算法训练神经网络,但是由于免疫算法发展较晚,其研究仍处于萌芽状态,不管是理论还是应用都尚未成熟,所以论文对免疫算法进行了研究。论文主要研究工作如下:1.在PID多变量解耦控制的基础上,设计了一种基于对角递归神经网络的PID解耦控制策略。其中对角递归神经网络作为耦合n变量非线性系统的辨识器,基于对角递归神经网络构造了PID控制器,并把n个PID控制器平行采用作为解耦控制器,以同时实现解耦和控制功能。最后利用李亚普诺夫稳定性理论,对对角递归神经网络辨识器的收敛性和整个控制系统的稳定性进行了分析;2.在分析基本免疫算法优化性能的基础上,利用混沌序列的遍历性,给出了一种嵌入混沌序列的自适应免疫进化算法,并将其应用于神经网络的训练中。最后利用概率分析方法,从理论上证明了所提算法可以以概率收敛于全局最优解。