实际控制系统中经常存在各种各样的约束条件。控制系统中约束条件主要由系统输入的约束和系统状态的约束两部分组成。控制器是控制系统中的能动环节，一个良好的控制策略能使不稳定的被控对象保持稳定，同时使得系统状态满足约束条件。模型预测控制就是这种类型的控制策略。但是，当系统状态满足约束条件时，控制器可能已经违反了输入约束条件。由于系统的动态响应依靠控制器进行调节，它是控制系统的根本。如果不能满足输入约束，系统的稳定性，状态约束以及控制品质就难以保证。此外，当预测控制算法应用于采样周期较短的控制系统时，则对控制器的计算速度提出了很高的要求。而使输入量满足约束条件又进一步增加了问题的复杂性。本文通过对输入约束下预测控制问题的分析，给出改进的控制算法，使其在满足约束和系统稳定性的前提下，使其具有较低的在线计算量。首先，我们给出了预测控制器各个组成部分的具体结构，并给出了预测控制中优化问题的矩阵表示，进而应用二次型规划方法求解。还介绍了可以保证指标函数最优性的双模式预测控制。之后给出了在约束条件下的双模式线性二次型预测控制算法。其次，我们对约束条件下预测控制问题的可行性与稳定性进行了具体分析。终端时刻的最大目标集是保证系统可行性的重要方法，我们给出了计算最大目标集的算法。之后，我们介绍了椭圆不变目标集。它降低了多面体目标集的复杂性。接下来我们研究了一类双曲线形式的输入约束。提出了可行步长搜索算法不影响原优化问题的结构。针对双曲线形式的输入约束，应用斐波那契序列来确定步长值，避免了需要在线求解寻找步长这一子优化问题对算法所带来的复杂性。我们证明了算法的稳定性和可行性。最后，仿真实例显示了算法的有效性。最后我们给出了基于摄动变量的高效模型预测控制（PMPC）算法的详细说明。该算法对预测控制中优化问题和终端不变目标集的结构进行了改进。最后针对悬臂系统模型进行了仿真，在仿真中，将PMPC算法与普通的双模式预测控制算法进行了比较，结果表明PMPC在保证控制系统稳定和可行性的前提下，有效地降低了在线计算时间。