传统的人工智能是符号主义，以知识为基础，通过推理进行问题求解。计算智能是以数据为基础，以连接主义的思想为主，通过训练建立联系，进行问题求解。常见的计算智能方法有神经网络、模糊技术、进化计算、混沌科学等。计算智能方法正得到越来越多学者的研究和完善，并与传统的人工智能技术互相交叉、取长补短，使得人工智能研究与应用呈现出向上的发展趋势。 本文研究了模糊技术、神经网络和遗传算法三种典型计算智能方法在工业控制上的应用，并对神经网络和遗传算法进行深入的分析研究，从两种方法的互补性入手，将两种方法进行融合。 本文首先从计算机工业监测控制系统的一个实例出发，研究模糊技术在工业控制上的应用。该系统注重对作为知识获取来源的知识源本身的研究，依照工业规范，设计模糊控制规则，用于构建活性石灰生产线安全智能监控系统。为了对智能控制系统在质量控制中的非线性问题做进一步的研究，本文介绍了另外两种计算智能方法——神经网络和遗传算法。 神经网络是一种处理复杂系统中非线性问题的有效方法。虽然在有合理的结构和恰当的权值的条件下，BP网络可以逼近任意的连续函数，但是确定该合理结构和权值并不是网络本身所能实现的。BP算法是基于梯度的方法，这种方法的收敛速度慢，且常受局部极小点的困扰，采用具有全局收敛性的遗传算法则可摆脱这种困境。于是本文选择采用遗传算法优化网络的初始权重，然后利用BP算法最终完成网络训练的方法。 虽然在一定条件下遗传算法总是以概率1收敛于问题的最优解，但是基本的遗传算法并不能保证全局最优收敛。为此，本文引入泛函分析中的压缩映射原理，并结合此原理提出一种改进的遗传算法——压缩映射遗传算法。 本文将压缩映射遗传算法用于学习神经网络的权值和阈值，提出了面向神经网络权值和阈值学习的压缩映射遗传算法。 最后，本文利用遗传神经网络建立了活性石灰生产线质量智能监控模型，运用网络模型提供提高产品质量的操作建议。检验结果证明，该模型具有较高的可靠性，可以在生产过程中实时地提供提高产品质量的操作建议。