随着科学的发展，现代工业生产过程的控制变得越来越复杂。系统包含着越来越多的非线性和不确定性。传统的建立精确模型的控制方法已经很难达到预期的控制效果。联合制碱生产过程就是一个复杂的非线性非高斯系统。系统还存在着随机性、滞后性、模糊性等不确定性。对于这种复杂工业过程进行控制研究，将会给复杂系统的建模与优化控制提供一条有效途径。　　 神经网络技术作为智能算法中操作和应用性都较好的建模方式，在工业领域也有了一定的应用。粒子滤波算法摆脱了解决非线性滤波问题所面临的随机变量必须是高斯分布的限制，使得强非线性系统有了一个较好的解决方法。　　 论文详细介绍了粒子滤波的原理和算法，分析了粒子滤波算法处理非线性问题的优势。介绍了神经网络的发展和学习。介绍了联合制碱工艺和碳化过程的影响因素。提出基于非线性粒子滤波的RBF神经网络控制方法：利用RBF神经网络对系统进行建模与控制，再利用非线性粒子滤波算法对RBF神经网络的权值进行优化。　　 本文把粒子滤波算法与径向基神经网络技术相结合，综合两种技术的优点，利用非线性粒子滤波算法可以处理非线性、非高斯系统的特点和径向基函数(RadialBasis Function，RBF)神经网络能够逼近任意连续函数优势，对联合制碱生产过程的碳化过程进行建模优化研究，从而得到一种可以应用于复杂工业的控制方法。