随着预测控制在工业上的应用越来越广泛,如何在复杂的应用背景下进一步提高控制器的性能也越来越受重视。而作为模型预测控制器的核心之一,预测模型的质量对控制器的效果也有着至关重要的影响。关于预测控制与系统辨识目前已经有了丰富的理论与实践经验,但是实际的生产中,在线运行的控制系统也都有着各自的问题和提升空间。本文的研究中,对递推辨识算法和一种扰动自适应的预测控制器进行了研究并提出了一些新的想法。具体的工作内容如下：1.基于多迭代的ARMAX递推辨识。总结和分析已有的关于ARMAX模型估计的基础上,用高斯牛顿法推导了一种递推辨识算法。针对离线算法与递推算法的参数估计精度有差距这一点,分析原因之后,提出了一种数据多迭代的思想。仿真研究表明,多迭代算法在参数收敛的速度与精度上都优于原有的递推算法。2.对两种时间序列模型的建模及预测能力研究。工业控制系统的不可测扰动等对象的建模属于时间序列分析问题,本文从常见的AR与ARMA两种模型着手,分别推导了其递推算法,并用多迭代思想对ARMA模型进行了改进,使其跟踪时变模型能力显著提升。两者的多步预测研究中发现,参数更多的ARMA模型预测精度好于AR模型,但鲁棒性不如后者。3.扰动自适应预测控制器的分析改进及参数设计。介绍了一种基于扰动模型的预测控制算法DMCA,为不可测扰动单独建立预测模型使得该控制器对扰动抑制能力更强,控制效果更好。结合之前研究,分析基于ARMA模型的DMCA算法不稳定的原因后,提出了两种改进办法：基于AR模型的DMCA算法和添加小幅摄动。最后研究了扰动自适应控制器的参数整定方法,包括传统MPC参数与DMCA特有的模型辨识参数,为控制器参数优化提出部分准则与参考。