神经网络内模控制是一种自适应的非线性控制。它一般包括神经网络控制器和神经网络观测器，神经网络观测器在线辨识被控对象的模型，以此作为系统的内部模型，并且向神经网络控制器提供被控对象的梯度信息。这种控制策略融合了内模控制和神经网络自适应控制的优点，所以受到控制界的普遍关注。本文详细讨论这种控制方法的思路和算法特点，并提出一些改进措施；讨论了改进后算法的稳定性和收敛性，并且从中寻求神经网络的最佳学习速率，从而提高控制的响应速度，最后把这种控制策略应用于笔者所做项目的一个对象模型中。 全文主要包括的内容： 1．系统介绍神经网络内模控制的背景和研究发展状况，阐述了本文研制的液位控制系统的背景与用途。 2．探讨神经网络内模控制算法的一般特性，针对其缺点，提出一些改进措施。采用对角自回归神经网络作为神经网络控制器和神经网络观测器的网络拓扑结构，针对神经网络控制器和神经网络观测器的特点，对其训练函数进行改进，并推导出改进后多层动态BP算法。 3．从Lyapunov稳定性定理的角度出发讨论改进后算法的稳定性和收敛性，并从中导出神经网络内模控制系统中神经网络的最佳学习速率，从而使控制器和观测器在Lyapunov稳定性的意义下达到最佳的响应速率。 4．详细介绍多变量液位控制系统的硬件构成和软件结构，提出一种基于InTouch的工控软件开发方法，这种方法可以大幅度降低基于InTouch系统的开发成本。 5．在多变量液位控制系统实验平台上进行神经网络内模控制的仿真研究，仿真实验结果验证了本文改进算法的可行性。