预测控制自七十年代末产生以来，随着理论和实践研究的不断深入，已逐渐形成了模型预测、滚动优化和反馈校正这三大方法机理，并在广泛的工业领域获得了成功的运用。非线性预测控制的研究也逐渐展开并深入。本文主要从预测模型和优化方法的角度展开了对非线性预测控制方法的研究，主要内容如下： 1) 神经网络预测控制。首先提出了一种基于径向基函数神经网络(简称RBF网)预测模型的预测控制算法，建模采用离线的正交最小二乘法，采用直接搜索法进行控制量寻优。单步控制时用黄金分割法(0.618法)，多步控制时用Powell算法。利用一个非线性对象——理想的控制pH值的连续搅拌反应釜(pH-CSTR)进行仿真研究，对比了单步控制和多步控制的效果。在此基础上又提出了一种自适应算法，在离线建模后，用包含历史数据的递推最小二乘法对RBF网模型进行在线辨识，并将对象设定在非线性最强烈的地方进行仿真研究，获得了满意的控制效果。然后又利用RBF网建立对象的稳态模型，提出了一种基于预测稳态差的非线性预测控制，为了加快系统的动态响应，又提出了一种改进算法，将一个动态模型加入算法，获得了较好的效果。接着本文研究了一种基于RBF网模型的非线性动态矩阵控制，这是一种基于局部线性化原理的预测控制。 2) 模糊预测控制。首先提出了一种模糊决策方法，作为预测控制的寻优方法，并用于基于RBF网模型的非线性预测控制中。然后从建模的角度进行了研究。先将一种常规模糊模型的辨识方法用于预测控制的建模；接着把基于局部线性函数的模糊模型作为预测模型，并将此模型用于单步预测控制和内模控制，这种模型克服了常