随着永磁同步电机（Permanent Magnet Synchronous Motor,PMSM）的广泛应用,高性能伺服控制系统对电机控制精度的要求越来越高。在矢量控制系统中,由于PI控制受不确定因素的影响大、参数整定复杂等缺点,传统的PI控制策略已经难以满足高性能应用场景的控制需求。近年来,模型预测控制（Model Predictive Control,MPC）因为其在处理高维多变量、有约束控制问题的独特优势,在工业过程控制中得到了广泛的应用。但是目前为止,国内外将MPC算法应用于PMSM控制系统的案例较少,因此是电机控制领域一个值得探索的研究方向。本文主要从三个方面展开研究:1.研究了传统MPC在PMSM控制系统中的应用问题。首先以PMSM的数学模型为基础,分别设计了针对速度环和电流环单独控制的MPC控制器,构成传统的双闭环结构的控制系统;然后考虑在一个采样周期内同时实现速度和电流的控制,设计了电流环和速度环合并的单环结构的MPC控制系统。仿真结果表明MPC控制与PI控制相比,可以提升电机的响应速度和稳态性能。2.研究了基于神经网络的MPC在PMSM控制系统中的应用问题。首先,利用回声状态网络（Echo State Network,ESN）逼近PMSM系统的动态特性来预测电机转速;然后,利用粒子群优化算法（Particle Swarm Optimization,PSO）对ESN权值进行训练,解决了传统ESN权值求解算法中存在病态解的问题,提高了ESN预测模型的稳定性和精度;最后,为了降低计算量,采用快速梯度法求解最优控制输入序列。仿真结果表明,该控制方法相较于传统MPC控制的控制性能有显著提升。3.研究了带扰动观测器的神经网络模型预测控制在PMSM控制系统中的应用问题。为提升控制系统的鲁棒性,设计了Luenberger观测器将观测到的负载扰动补偿到控制器的输出中,形成了更具有鲁棒性的神经网络模型预测控制器。仿真结果表明,该控制方法结合了神经网络预测精度高、MPC实时滚动优化、扰动观测器处理扰动等优点,具有最好的综合控制性能。