工业过程系统具有多变量、高度非线性、工作点连续变化等特性,如何设计控制策略一直是工业界的热点问题。基于“分解—合成”策略的多模型控制为解决这类问题提供了一种有效策略,本文以局部模型网络(Local Model Network,LMN)辨识及其预测控制器设计为研究内容,主要工作包括:为实现对非线性系统的局部模型网络建模,本文利用GK聚类算法,对离线收集的系统输入输出数据进行系统全工况划分,并结合Kohonen网络思想重构聚类更新规则,提出了改进的GK聚类算法。在此基础上,将全局模型分解为两个“虚拟”子系统,给出了一种双层迭代的最小二乘辨识,仿真实例验证本文算法的有效性,及LMN模型逼近非线性系统的准确性。将LMN模型转化到状态空间方程形式,设计了预测控制器(Model predictive control)。然而,在每一采样时刻,都需要滚动在线求解约束条件下的最优值,在线计算量大。为此,本文提出了一种启发式的SQP优化方法。采用自适应更新策略,更新模型参数,与此同时,利用有适当阶数的Laguerre候选函数压缩优化变量的个数,重新构造MPC算法,并证明该控制器的渐进稳定性。本文通过燃油电力系统的阶跃扰动和斜坡跟踪变化验证了设计预测控制器的优越性能。