随着科学技术的发展，现代工业生产过程的一个共同特征是控制系统的复杂性和不确定性日趋明显，即各子系统之间或其内部会有较强的关联性，参数的高维性、时变性和随机性，且系统和环境具有许多未知的和不确定的因素，这些因素还会随环境、工况和时间等发生不可预料的变化。因此己很难采用那些基于定量数学模型的传统控制方法对其实现有效的控制，必须寻求新一类的控制策略。 模糊控制是一种不依赖于被控过程数学模型的仿人思维的控制技术。它可以利用领域专家的操作经验或知识建立被控系统的模糊规则，有较好的知识表达能力。但在工程实际应用中却缺乏自学习或自调整的能力。尽管神经网络是一类黑箱式的非线性映射，但它具有良好的自学习能力。将二者有机结合起来，取长补短，可以提高整个系统的学习能力和表达能力。目前这个方向的研究正方兴未艾。 本文首先分析了工业过程控制中被控对象的特性，并对模糊控制、神经网络及模糊神经网络的发展、背景和原理等进行了综述。针对工业生产过程的特点，结合传统PID控制，本文提出了一种基于模糊RBF神经网络的控制策略，进一步完善了PID控制的自适应性能，能发挥模糊控制鲁棒性能、动态响应好，上升时间快，超调小的特点，又具有PID控制器的动态跟踪品质和稳态精度，具有较好效果。 本文的另一项重要工作是针对普通模糊控制器存在控制精度不理想的问题，提出一种把神经元与模糊控制器相结合的方法，使一种基于两维控制规则基的PID型模糊控制器具有参数在线学习功能，提高了控制系统的鲁棒性和控制精度，在仿真试验中表明该系统具有良好的性能。