迭代学习控制是近二十年来发展起来的一种新的智能控制方法。在实际工业过程控制中，很多复杂工业过程都具有某种可重复的特性。迭代学习控制就是根据工业对象的这种特性，通过引进学习机制，不断地积累被控对象的知识，在线完成控制器的设计和改进，即把在线的学习、在线的控制与控制系统性能改善的功能综合在一个算法里，通过工业过程的不断重复加以实现。它在解决由于对象存在非线性或建模不良造成的不确定性问题方面具有得天独厚的优越性，在学习过程中不断弥补缺乏的先验知识，进而使系统性能得到逐步改善。 由于神经网络具有对任意非线性映射的理想逼近能力，并能学习和适应未知不确定系统的动态特性，使采用神经网络的控制系统具有更强的适应性和鲁棒性。本文将迭代学习控制与神经网络相结合，提出了一种新的基于神经元网络的优化迭代学习控制方法。该方法利用了神经网络的计算能力以及对任意非线性映射的理想逼近能力，通过神经网络优化对控制器参数进行约束和优化求解，其基本思想是：在每一次迭代学习过程中，利用迭代学习控制在线地学习被控对象的特性，使得在一定的控制输入下被控对象的输出良好地跟踪期望输出，并且利用RBF神经网络来优化P型迭代学习律的增益，在每一次的迭代学习过程之后，利用神经网络对当次输出的数据进行优化计算，找出本次最优的学习增益并替换原来的学习增益，使得学习算法获得更快的学习速率，在更少的迭代次数下达到控制性能的要求；为了增强被控系统的鲁棒性，在学习控制器的基础上加入反馈补偿控制器——PD型控制器。本文还将该方法应用于ABS树脂聚合反应过程的温度控制当中，仿真结果证明，该方法对复杂的ABS树脂聚合反应装置的温度控制是十分有效的，且能以较少的迭代次数达到满意的跟踪性能。