能源消耗与环境污染是当今社会发展面临的两大问题，我国能源结构以煤炭为主，因此，整体煤气化联合循环(IGCC)技术作为一种清洁、高效的煤炭利用方式，受到了广泛的关注。气化炉是IGCC电站气化岛的核心部分，对煤气化过程的有效控制是保证IGCC电站稳定、经济、安全运行的必要条件。由于煤气化系统具有强耦合、非线性和大惯性等特点，采用分散控制方法很难得到理想的控制效果。本文从解耦设计的角度，对Alstom气化炉的优化控制进行了研究。　　文章首先分析了气化炉的动态特性和各回路间的耦合状况，以相对增益矩阵法为基础匹配控制回路，确定了前馈解耦的具体方案。模糊神经网络具有非线性逼近能力和快速学习能力，在智能控制领域有广泛的应用，本文采用模糊神经网络作为解耦器，并在神经网络外部加入一个反馈通道，增强网络的动态响应能力。针对模糊神经网络的在线学习过程，提出了一种改进的隐节点竞争算法。实验表明，模糊神经网络解耦器具有良好的动态解耦效果，可以应用单回路设计方法对解耦后的系统进行控制器设计。　　针对前馈解耦不能闭环调整的问题，引入了解耦参考模型。被控对象与前馈解耦系统串联形成广义被控对象，其动态特性表现为原系统主通道特性与新形成的解耦支路的叠加。采用递推最小二乘法对广义对象进行辨识，得到离散传递函数形式的解耦参考模型，由于该模型可以同时作为预测控制系统的预测模型使用，因此简化了预测控制系统的设计步骤。仿真实验表明，基于神经网络解耦的单回路预测控制能够快速、平稳的跟踪气化炉被控量的变化，且满足下游吸入口扰动基准测试要求，具有良好的抗扰性。