在工业控制中，被控系统往往是多变量、强耦合的时变系统。针对多变量系统中被控对象间的耦合随时间或负载而变化的情况，利用神经网络的特点，研究神经网络解耦器在线学习算法具有十分重要的意义。 本文的研究主要集中在以下几个方面： 在分散解耦的系统框架上提出了基于互相关函数的神经网络解耦器在线学习算法，该算法定义了一组MIMO过程的互相关函数作为神经网络解耦器的指标函数，利用遗传算法对神经网络权值进行在线寻优。对于线性系统，从理论上加以证明，随着输入输出的互相关函数越来越小，则神经网络就越逼近理想解耦环节，说明所选择的指标函数是可行的。 结合发电厂的磨煤机控制系统，仿真验证该算法。当解耦器训练结束后，对于两个等效的SISO系统，采用传统PID来进行控制，得到满意的控制效果。 初步探讨用分散解耦结构和上述在线学习算法来对非线性MIMO系统进行在线解耦，由于随机信号通过非线性系统的复杂性，本文从仿真实验上来验证选取互相关函数作为指标函数的可行性。当解耦器训练结束后，对于非线性对象采用单神经元自适应PID来进行控制，仿真结果表明，此控制方案效果较好。