随着生产过程日益大型化、复杂化，对控制理论的要求也越来越高，经典的控制理论已经渐渐满足不了人们对控制系统的要求。人们想要找到一种适用于一般的非线性工业对象且工程上易于实现的控制方法。　　近年来，已有学者将模糊神经网络和支持向量机应用到非线性系统的控制中去。但是，这两种方法都存在着自身的缺陷。模糊神经网络利用后向传播算法进行参数整定需要获取被控系统的梯度信息。对于一个复杂的非线性系统，在实际应用时，梯度信息的获取是较为困难的。而对于支持向量机控制器，初始控制量的选择不当又会影响控制器的收敛速度，甚至引起控制器的局部极小点问题。　　鉴于此，本文提出了一种基于支持向量机和模糊神经网络的非线性系统控制新方法。模糊神经网络控制器的结构和参数可以根据人的先验知识确定，并且其参数可以在控制的过程中不断修正，因此其输出的控制量更加接近控制系统的最优控制量，其作为支持向量机控制器的初始控制量会使控制律的收敛速度更快，实时性更好，并不易陷入局部极小点。然后以支持向量机模型为基础，构建支持向量机控制器，优化模糊神经网络输出的控制量。同时使用后向传播算法完成模糊神经网络的在线参数整定。本文的支持向量机控制器采用的模型为在线最小二乘支持向量机模型，通过在线建模的方式有效的避免了系统时变造成的预测模型与实际模型失配情况的发生。通过对典型单输入单输出非线性系统、强耦合多输入多输出非线性系统、时变系统和CFB锅炉系统的仿真实验，证明了本控制方法具有较强的稳定性和抗干扰性。