本论文在简要介绍造纸流程的基础上，讨论了内模控制原理、神经网络学习算法的使用特点，重点研究了基于神经网络的内模控制在流浆箱控制中的模型设计和系统实现，并加以仿真验证。最后对该方案进行总结和展望。根据这条主线，本文从以下几方面展开了讨论。 首先，论文论述了本课题的研究背景，介绍了造纸过程的典型工艺流程，说明了常规解耦控制回路在流浆箱中应用的特点及不足，同时对回路中最常用的解耦机构的特性进行了总结，据此建立了神经网络内模控制的仿真模型，并分析了在流浆箱中应用神经网络内模控制的解耦回路。 在我国，目前对时滞、耦合现象的控制策略有：最优PID控制、专家控制、模糊控制、神经网络控制等，其中比较著名的是智能控制和内模控制(InternalModelControl)。内模控制具有设计简单、跟踪调节性能好、鲁棒性强并能较好的消除不可测干扰的影响等优点，所以选择内模控制算法来处理造纸过程中的时滞、耦合问题；神经网络特有的非线性适应性信息处理能力，能够自适应样本数据，还能提供十分快的优化过程。神经网络与内模控制的结合，为非线性系统的模型辨识、系统耦合等问题开辟了新的途径。 其次，根据已建立的神经网络内模控制模型，结合流浆箱在实际工程中运行的有关数据，进行大量仿真研究。得到的响应曲线对比于常规回路控制下的曲线，流浆箱总压和浆位的耦合关系几乎克服，调整时间明显缩短，除此之外，控制系统的鲁棒性较强，可以适应车间不同纸种的控制要求。 最后，总结神经网络内模控制存在的若干问题。由于神经网络需要进行大量的训练，在纸种改变时工作点会发生偏移，且需要人工参与，因此需要进一步研究神经网络自适应的内模控制器。 仿真结果的良好验证了该方案的可行性，具有广泛的推广应用价值。