滞后环节普遍存在于工业生产过程中，对控制系统的性能产生极为不利的影响，甚至引起闭环系统的不稳定或根本无法对系统进行有效的控制。因此，滞后系统的建模与控制方法一直是控制领域的研究难点。 解决滞后问题的关键是对系统未来时刻的输出做出准确的预测，从而克服滞后环节对系统造成的影响，因此采用预测控制算法非常适合解决滞后系统的控制难题。由于径向基函数(RBF)神经网络可以逼近任意非线性函数，且具有计算量小、收敛速度快、无局部极小等优点，本文选用RBF神经网络建立非线性滞后系统的预测模型。首先，针对RBF神经网络存在网络参数对初始值敏感的问题，提出了基于FCM(模糊C均值)的网络参数初始值确定方法，并将其和全监督算法相结合，构成了RBF神经网络的学习算法。仿真研究表明，该学习算法能够避免上述问题，使网络不仅准确地反映了系统特性，而且具有较好的收敛性和泛化能力。其次，研究了基于RBF神经网络的时滞辨识方法，并根据所辨识的纯滞后时间，基于RBF神经网络单步预测模型，采用递推算法和非递推算法分别建立了系统的多步预测模型。仿真研究表明，基于RBF神经网络的递推多步预测模型更适用于滞后系统的建模。最后，针对具有非线性和滞后特性的系统设计了基于RBF神经网络的最优预测控制器和神经元自适应PID控制器。仿真结果表明，上述两种基于RBF神经网络的预测控制方法都可以很好地逼近期望输出序列，具有良好的自适应性、鲁棒性和抗干扰能力。