流浆箱是造纸机的关键部件之一，它的结构和控制性能决定了纸页的成形和纸张定量分布的均匀性、稳定性。本文针对气垫式流浆箱的多变量强耦合非线性特性，提出了神经网络混合控制方案。该方案针对非线性内模控制结构，给出了基于径向基函数神经网络(RBFNN)辨识被控对象正模型和逆模型的实现方法，并且在内模控制的结构中引入了PID补偿控制，弥补了神经网络正模型和逆模型在线训练初期具有较大建模误差，内模控制效果较差的缺点。从仿真结果来看，神经网络内模控制(NNIMC)加PID控制的混合控制方案比单一的NNIMC具有更快，更平稳的控制效果。 在改进控制方案的同时，本文也对RBFNN的学习算法进行了一些研究，提出了一种同时具有增长和修剪功能的RBFNN网络结构学习算法—扩展资源分配网络(ExtendedResourceAllocatingNetwork-ERAN)，实现了RBFNN的在线学习，弥补了当前各种离线训练算法无法有效处理样本数据的缺点，具有很大的实用性。在此基础上，针对一般用来修正RBFNN权值的RLS算法存在数值特性不好的缺点，引入了基于逆QR分解的Givens递推最小二乘法(IGRLS)，该算法既保留了Givens旋转计算量少，数值稳定的优点，又避免了它的回代过程，使得该旋转计算更容易映射到Systolic阵列，满足实时控制的要求。通过仿真我们发现EARN算法性能优越，改进了RBFNN的学习性能。