在复杂工业过程中，建模是工业控制和优化的前提和基础，良好的模型有利于实际生产过程的优化控制，复杂工业过程建模的研究对提高产品质量和降低生产成本具有重要意义。由于复杂工业过程的非线性、时变性、随机干扰及对象模型参数的不确定性等因素，使得单纯依靠传统的数学工具建立的机理模型已经不能满足现代复杂工业控制的要求，与智能算法的结合已成为建模技术发展的趋势。　　 本论文在山西省自然科学基金项目(编号：2010011022-3)的资助下，研究了一种基于改进的模糊粒子群优化算法，并采用该算法优化了BP神经网络，以某热连轧厂的带钢宽度控制过程为研究对象，在建立带钢宽度的简化机理模型的基础上，采用改进模糊粒子群优化神经网络算法确定了机理模型中难以获得的参数，建立了热连轧带钢宽度的组合智能模型，为宽度控制奠定良好的基础。　　 本文的研究工作主要有：　　 (1)阐明课题的研究背景和意义，分析复杂工业过程建模的研究现状，归纳总结目前复杂工业过程建模的主要方法；　　 (2)深入研究粒子群优化算法的原理，针对粒子群算法存在的易于“早熟”的缺陷，提出一种改进的模糊粒子群优化算法，将模糊系统应用于粒子群优化算法，建立了动态调整惯性权重的模糊规则。通过对测试函数的极值点寻优进行MATLAB仿真研究，验证了算法的可行性；　　 (3)研究BP神经网络的结构原理和训练算法，采用改进的模糊粒子群优化算法代替梯度下降法对BP网络的训练过程进行优化，给出了改进模糊粒子群优化神经网络算法的流程，通过对非线性函数逼近的MATLAB仿真验证算法用于建模的有效性；　　 (4)深入某带钢热连轧的生产现场进行广泛调研，学习掌握热连轧带钢的宽度控制过程，分析研究目前带钢宽度机理模型存在的问题；采用改进模糊粒子群优化神经网络算法对宽度机理模型中难以获取的精轧宽展、立辊压力修正系数和宽度修正系数三个系数进行寻优确定，建立带钢宽度的组合智能模型，通过MATLAB仿真平台，验证将热连轧带钢宽度机理模型与智能算法相结合对带钢宽度控制过程进行组合智能建模的可行性与有效性。