预测控制自20世纪70年代提出以来，无论是在广度上还是深度上都有了长足的进步和发展，但是随着工业过程对象的日益复杂化，传统的线性预测控制方法已经不能满足当今工业控制需求了。工业过程中广泛存在的非线性特性使得非线性模型预测控制成了当今控制理论研究的重点及热点。非线性模型预测控制继承了传统预测控制的特点，摆脱了原有线性数学模型的束缚，强化了模型的预测功能，使控制性能得以改善。神经网络自20世纪40年代提出以来，由于它能够充分逼近复杂的非线性映射关系，能够学习与适应不确定系统的动态特性，被广泛地应用于各种控制策略中。因此将神经网络的非线性特性引入预测控制，势必会为预测控制在工业过程中的应用带来新鲜的血液与生命力。本文正是在这样的背景下，提出了基于神经网络的非线性模型预测控制方法，首先采用神经网络模型辨识过程对象，然后通过神经网络控制器滚动计算并优化控制输出。本文在DCS装置上，针对实验室水箱液位对象，尝试了基于神经网络的非线性模型预测控制，得到了良好的控制效果。同时，考虑到实际工业对象的复杂性，将此方法用于TE模型的控制仿真，同样取得了良好的控制效果。