模型预测控制算法(Model Predictive Control, 简称MPC)经过三十多年的发展，在理论研究和实际应用中都取得了显著的成果。基于线性预测模型的线性MPC算法可以有效控制具有弱非线性的动态系统，已被广泛应用于许多实际工业生产中。然而，对于具有严重非线性的复杂工业过程，如聚合化学反应，无法用线性模型来精确地拟合其系统特性和无法准确地预测其未来的动态行为，因此非线性模型预测控制已成为学术界和工业界关注的焦点。 本文对于非线性系统的模型预测控制算法进行了研究，其主要内容包括以下几个方面： 1. 简单介绍了模型预测控制的发展和基本原理。给出了算法的流程结构，并概述了非线性MPC的研究现状。 2. 介绍了基于统计学习的支持向量机(Support Vector Machine, 简称SVM)的基本原理。对SVM在系统辨识与控制中的应用进行了分析和评价。 3. 针对具有约束的多输入多输出非线性系统，提出了基于支持向量机的模型预测控制算法及工作流程图。并通过其在连续搅拌反应器中的仿真研究，由仿真结果说明了该算法的有效性。 4. 在总结进化算法在预测控制优化中应用的基础上，研究了基于统计物理中非平衡态和自组织临界(Self-Organized Criticality, 简称SOC)的极值优化(Extremal Optimization, 简称EO)方法在MPC中的应用。并提出了一种改进的EO算法，对于几个经典的函数优化问题进行了仿真研究, 证明了该算法用于函数优化问题具有收敛速度快和全局优化的优点。通过实例仿真表明了结合此算法的预测控制策略具有更好的控制性能。 最后，在总结全文基础上，提出了有待进一步研究的课题。