非线性模型预测控制已经成为控制理论界和工业界的研究热点,神经网络以其能够学习和适应非线性系统的特点,使得基于神经网络的非线性预测控制受到学者们的广泛关注。本文针对基于神经网络的非线性预测控制存在的递推预测导致精度降低、预测模型难以适应时变系统的问题,提出了基于多步预测误差指标函数的非线性预测控制算法;针对局部最优问题提出了双种群分工合作粒子群优化算法;基于改进的修剪型神经网络模型和改进的时间窗在线建模方法,提出了一种自适应预测控制算法。所提出的算法取得了满意的仿真结果。论文的工作包括以下几个方面:针对神经网络预测模型对系统输出进行多步预测时效果差的问题,根据面向控制的系统辨识思想,提出了一种适合于预测控制的多步预测误差指标函数(Multi-Step Predictive Error Index Function,MSPEIF);然后针对神经网络常出现的过拟合问题,在目标函数中加入正则化项,提出了多步预测误差及正则化指标函数(Multi-Step Predictive Error and Regularization Index Function,MSPERIF),在一定程度上提高神经网络多步预测的精度及泛化性能;同时采用一种改进的反馈校正方法,进一步提高预测精度;最后在上述神经网络预测模型的基础上给出了一种无约束条件的神经网络预测控制器求解方法,并在一个离散系统的无噪声和有噪声两种情况下进行仿真分析,取得了满意的效果。针对局部最优问题,采用粒子群优化算法来训练递归神经网络。为了平衡粒子群优化算法的全局探索和局部开发能力,从子种群的角度出发,基于自然界普遍存在的合作共赢现象,提出了双种群分工合作粒子群优化(Double-swarm Division and Cooperation Particle Swarm Optimization,DDCPSO)算法,进一步加强了算法的寻优性能,仿真结果表明了所提算法的有效性。基于相关性分析理论,并结合使用改进后的粒子群优化算法训练对角递归神经网络,设计了一种修剪型神经网络建模算法;同时为了使预测模型能适应被控对象时变的工况,基于改进的时间窗在线建模算法,提出了一种自适应预测控制算法。所提出的算法在一个厌氧发酵模型上进行了仿真分析,仿真结果验证了算法的适用性与高效性。