广义预测控制算法(GPC)具有鲁棒性强、能够有效克服系统滞后的优越特性,因此其在工业过程控制中取得了不少成功的应用,但是现有的广义预测控制算法大多是针对线性系统的,而复杂的工业系统往往包含非线性特性。对于非线性系统,采用较多的方法是将非线性模型工作点附近通过局部线性化。这种主要存在的问题是不能很好解决在线计算量大,且如果系统具有很强非线性则往往不能达到满意的控制效果。近些年来,在模糊神经网络方面的研究和进展,给工业过程控制及建模提供了一条新的途径。模糊神经网络既可以进行模糊推理又可以像神经网络一样进行学习,具有非常强的非线性逼近能力,这使模糊模型可以很好的描述对象的非线性动态特性。论文包括以下内容：首先,介绍了预测控制的发展过程,广义预测控制的产生和其特点,以及广义预测控制的国内外发展及研究现状和主要应用的领域,以及目前存在的问题和局限性。从而引出本文所讨论和研究的问题。第二,介绍了广义预测控制算法预测模型的建立以及算法的推导和求解过程。进而介绍了在广义预测控制算法中的重要参数是如何选择及其所含有的意义。并且探讨了广义预测控制算法的稳定性和鲁棒性。第三,介绍了神经网络和模糊控制的类型和特点,研究了如何利用模糊神经递归网络对非线性系统进行模型辨识。最后,提出一种递归模糊神经网络(RFNN),其通过加入向量调节层,提高网络对输入信息的处理能力。基于所设计的递归模糊神经网络,建立非线性系统的离散数学多步模糊预测模型,根据这一模型对系统的输出进行预测,然后利用预测控制算法得到相应的预测控制律。进而讨论了该方法的鲁棒性和抗扰能力。这此过程中改进了广义预测控制算法中的控制加权系数λ,利用动态控制加权系数λ使控制达到更好的效果。