pH中和过程广泛存在于生物医药,化工生产,水质处理等日常生活与工业生产领域中。但由于其变增益,强非线性和难以建模等特点,现有的控制方法在pH中和过程的控制中一直存在着一定的缺陷,对该过程的控制仍是工业过程控制问题中的热点与难点。回路传递函数恢复方法(Loop Transfer Recovery)由于其鲁棒性强、动态控制性能好、结构简单和算法清晰的特点,一直是航空航天,车辆船舶等运动控制领域中的一种热门控制方法,在解决快速跟踪的运动控制中表现出极优的特点。而pH中和过程有着中和点附近控制灵敏,响应速度快的特点,与一般慢反应的化工过程相比,要求跟踪性能更快更好,抗干扰能力更强。为了实现pH中和过程的控制优化,并将LTR控制推广到流程工业领域中,本文针对pH中和过程的两种不同模型,分别设计了对应的非线性LTR控制方法,实现了对pH中和过程的LTR控制,取得了良好的控制效果。对于pH中和过程强酸当量模型,本文将模型进行反S变换,设计了相对应的基于反S变换的两自由度LTR控制器,兼顾了控制器的跟踪性能和鲁棒性能,实现了对pH中和过程强酸当量模型的控制,并对控制效果进行了跟踪性能以及在酸碱不同扰动下的鲁棒性验证。同时针对系统频域特性,采用灵敏度函数验证了系统频域下的鲁棒性能,取得了良好的控制效果。针对pH中和过程辨识模型,本文建立了 pH中和过程Hammerstein模型,结合了遗传算法与反向传播神经网络,采用遗传算法(Genetic Algorithm)优化反向传播(Back Propagation)神经网络的初始权值和域值,加速网络训练过程,从而建立系统逆模型。并通过LTR控制器对逆模型的控制实现了对pH中和过程Hammerstein模型的控制,取得了良好的控制效果,进一步改进了 LTR控制方法,推广了其应用范围。针对LTR控制器设计时,无法兼顾调节时间和超调量的问题,本文从控制器加权矩阵参数入手,设计了参数自适应的LTR控制方法,并分别利用基于误差反馈调节的自适应规律和基于模糊规则的自适应规律进行加权矩阵参数的动态调节。仿真实验表明,所提出的两种参数自适应LTR方法均能实现在满足系统鲁棒性要求的前提下,在加快系统调节时间的同时减小系统的超调量,完成了对LTR控制器的优化,是一种行之有效的LTR控制器参数优化方法。