连续搅拌反应釜(CSTR)是石油生产、化工合成、发酵、生物制药等工业生产过程中应用最广泛的一种化学反应器，通过控制连续搅拌反应釜内部的工艺参数，如温度、压力、浓度等稳定，来保证反应的正常进行。其控制质量直接影响到生产的效益和质量指标。CSTR的化学反应过程是一个非线性、时变、有纯滞后的过程，对这类系统难以建立精确的数学模型。传统的PID控制主要是针对具有确切模型的线性过程，而当被控对象的模型或参数发生变化时，传统的PID控制存在着参数修改不方便，不能进行自校正等缺点，对于连续搅拌反应釜这类非线性、时变的过程难以实现精确的控制。因此，探索连续搅拌反应釜的智能控制器设计有着非常重要的意义。目前，模糊系统、神经网络和遗传算法的融合正在控制领域显示出巨大的潜要。模糊系统和神经网络相结合形成的模糊神经网络(FNN)既易于表达基于规则的知识又具有自学习能力，成为控制领域内的一个研究热点，而遗传算法的全局寻优能力也受到越来越多的关注。三者的结合是近年来计算智能学科的一个重要研究方向。本文以连续搅拌反应釜为对象研究其基于遗传算法的模糊神经网络控制器的设计。首先，研究了遗传算法的基本工作原理，分析了基本遗传算法存在的问题，在此基础上从参数编码、适应度函数和遗传操作等方面对其进行了改进，并以一个典型的测试函数为例验证了改进遗传算法的快速收敛性。其次，研究了模糊神经网络的发展历程，在总结模糊系统和神经网络融合方式的基础上，详细介绍了基于标准模型和T-S模型的模糊神经网络控制器的结构和学习算法。最后设计了基于遗传算法的模糊神经网络控制器，给出了这种智能控制器的结构和学习算法。以连续搅拌反应釜为对象，分别采用常规PID控制、模糊控制和模糊神经网络控制进行仿真研究，仿真结果比较表明本文所设计的智能控制器控制效果好，抗干扰性强。