随着现代流程工业生产过程控制系统日趋大型化和复杂化，对生产过程的控制要求越来越严格。常规的PID控制难以甚至无法解决这些具有多变量，强非线性的控制问题。近年来发展起来的自适应、自校正控制技术，虽然能在一定程度上解决不确定性问题，但其本质仍然要求在线辨识对象模型，所有算法复杂，计算量大。模型预测控制(Model Predictive Control简称MPC)是近三十年来飞速发展、取得了广泛应用的一种控制方法。预测控制正是克服了传统控制思想的束缚通过对象的输入输出特性建立对象的数学模型，而不必通过复杂的系统辨识来建立过程的模型。本文以预测控制算法为基础，研究开发基于OPC和DDE的预测控制软件的开发。 论文在前两章系统地回顾了模型预测控制的发展概况、研究现状及研究动向，对传统的模型预测控制的三个特点(预测模型、滚动优化、反馈校正)进行了分析，提出了模型预测控制的本质特点及其独有的实施方式。对具有代表性的几种预测控制算法进行了简单的介绍和分析，针对二阶对象、二阶加纯滞后对象以及倒立摆模型分别对它们进行了仿真研究，并仿真验证了算法的抗干扰能力。 针对某炼油厂油品车间柴油调和过程这个多输入多输出复杂对象进行了神经网络内模控制的仿真研究，其中在线优化算法采用线性规划的方法。并对仿真结果进行了比较，结果表明神经网络预测控制算法对复杂对象具有较好的控制作用。 在第四章和第五章结合OPC和DDE技术，讲述了对现场实时数据的采集以及历史数据的接收方法。通过OPC和DDE采集上来的数据，可用于预测控制算法的仿真和优化。并根据需要建立DDE服务器，将实时数据与历史数据传送给上位机的其他应用程序，这样便可以利用PC机的丰富资源对数据进行处理。 最后，对全文的工作进行了总结，分析了存在的问题，并对今后的发展方向进行了展望。