连续退火炉是连续热镀锌工艺中的重要设备,对钢材的质量和镀锌效果有着至关重要的影响。温度控制是退火炉控制系统中的重要部分,对连续退火炉进行有效的温度控制可以明显提高产品质量和生产效率,同时减少能耗,达到节能环保的目标。由于连续退火炉温度控制具有非线性、大滞后、参数时变等特点,常规PID控制难以满足控制要求,因此设计一种性能良好的控制方法来改善炉温控制效果,对实际工业生产具有重要意义。本文从实际出发,以本钢三冷轧高强钢改造工程为背景,以1870连续热镀锌生产线的连续退火炉为研究对象,对现场连续退火炉工艺特性进行了详细了解,对包括燃烧控制系统在内的炉温控制回路进行了深入分析。控制器的设计和控制效果验证需要以被控对象模型为基础,在对连续退火炉温度控制系统进行建模的过程中,考虑到炉温控制系统的大惯性、纯滞后、强耦合和参数时变等特点,采用基于正交最小二乘法（OLS-Orthogonal Least Squares）优化的RBF神经网络对系统进行辨识建模。对影响加热段炉温的各项因素进行分析,将燃气流量和助燃空气流量确定为影响炉温的关键因素。通过现场采集的大量数据对基于正交最小二乘法优化的RBF神经网络模型进行训练和校验,泛化结果表明该炉温模型具有很好的辨识效果。在建立好炉温数学模型的基础上,根据炉温的工艺特性和控制难点,分析了原控制系统中微分先行PID控制方法的优缺点,设计了一种基于小脑模型神经网络（CMAC-Cerebellar Model Articulation Controller）的大林（Dahlin）算法控制器,这种控制器结合了大林算法的无超调稳定控制和小脑模型神经网络的学习机制,弥补了大林算法控制器仿真过程中出现的调节时间过长的缺陷。通过仿真实验,分别比较了微分先行PID控制、Dahlin控制和CMACDahlin控制的控制效果。结果证明,CMACDahlin控制器具有超调量小、稳定且调节时间短的特点,同时避免了原微分先行的PID控制方法中繁琐的参数整定过程。