随着工业控制要求的提高及控制理论与计算机技术的发展，产生了控制效果好、鲁棒性强，适用于控制不易建立精确数学模型且比较复杂的工业过程的预测控制算法，并已在石油、化工、冶金、机械等工业部门的控制系统中得到了成功的应用，是一类很有发展前途的新型计算机控制算法。本文以工程实际广泛存在的非线性系统为研究背景，以理论研究与仿真实验为重点，研究了基于神经网络辨识的动态矩阵预测控制(DMC)新方法，其实质是利用作为对象辨识模型的神经网络产生输出预测，用滚动优化算法求出控制律，从而实现对非线性系统的预测控制。神经网络分别选用具有良好非线性逼近能力的BP网络和RBF网络，其与动态矩阵预测控制算法相结合，针对非线性系统，对比研究了基于以上两种神经网络的非线性预测控制技术。在课题的研究中，完成的主要工作有：1．对动态矩阵控制算法做了深入的探讨和研究，分析了动态矩阵预测控制的预测模型、反馈校正与滚动优化的特征及其稳定性、鲁棒性，并研究了相关参数对控制效果的影响，指出了这种常规预测控制算法直接用于非线性系统存在的问题。2．针对BP和RBF神经网络的特点，分别研究了一种改进算法，即带动量项的自适应调整学习率的BP算法和递推k-均值聚类算法。通过MATLAB仿真实验表明：带动量项的自适应调整学习率的BP算法学习速度较快、且辨识精度较高，而采用递推k-均值聚类算法，可提高RBF网络的建模能力和跟踪性能。3．分别将改进的BP和RBF神经网络与动态矩阵预测控制相结合，提出了基于改进的BP和RBF神经网络辨识的动态矩阵预测控制算法，通过MATLAB仿真证实了所提出新型算法的有效性和可行性，仿真结果还表明基于RBF神经网络的DMC控制效果优于基于BP神经网络的DMC，更利于在实时控制中的应用。