目前气力输送技术已经广泛地应用于电力、水泥、化工、玻璃、采矿及冶金等工业领域。尤其是低速浓相输送装置的出现解决了物料在输送过程中易破碎、堵塞和磨蚀管道等难题，且降低了耗气量，使得其应用领域更加广泛。但是这些投入使用的浓相输送系统由于对物料的输送量无法进行连续调节，致使输送系统经常破坏下一生产过程的工艺制度。针对这个问题，论文提出了采用控制输送压力的办法来间接控制物料流量的控制策略。由于粉末物料的浓相输送系统存在严重的非线性和时变性，故要想建立其准确数学模型难度非常大。为了充分发挥神经网络的高度并行性的特点，更好地达到智能控制系统的实时性、自学习性、鲁棒性等要求，本文采用了并行协作模块化神经网络体系结构(PCMNN)来建立浓相输送系统控制模型，它通过用分解判定子模块对输入向量的适当分区域、由合成子网将各区域的结果合成，实现了复杂任务的自动分解判定和模块化训练策略，此体系结构是可行的、有效的。与非模块化神经网络技术相比，提高了训练速度、改善了网络性能，它具有并行性高、通用性强、对新增样本易于学习、便于硬件实现等特点。实验结果表明，并行协作模块化神经网络(PCMNN)体系结构具有函数逼近效果好、训练速度快的特点，能自动地对任务进行分解，并使分解更趋合理，网络结构在学习过程中可动态改变。对实际的浓相输送系统情形，更具有实用价值。针对控制对象复杂性、非线性等特点，本文提出了使用模糊神经网络控制系统，并对于模糊控制规则由BP神经网络联想记忆后提取，它不但可以获得最佳控制规则，而且响应速度快。模糊神经网络融合了二者的优点，既能像模糊逻辑那样表达近似与定性知识，又具有神经网络很强的学习能力和非线性表达能力，而且网络结构具有明确的物理意义。经仿真实验表明，该控制器能够对粉末物料流量在一定范围内进行协调优化时实控制。