随着现代工业生产的发展,生产过程日趋大型化、复杂化,工作点的变化范围大,使得完全通过机理模型来了解被控过程中各变量之间的关系变得更加困难,且成本很高。因此,人们往往从系统的输入输出数据出发,借助于机器学习、统计学理论以及数据挖掘等手段,采用基于分治策略的多模型建模方法,分析和了解被控过程相关特性,达到对非线性系统建模与控制的目的。这种建模方法,将复杂问题简单化,以多个局部模型来覆盖系统的不确定性与结构的复杂性,以及逼近系统的强非线性,从而倍受人们的关注。本文以非线性系统为研究对象,直接利用所获得的系统数据,在分治策略框架下,将多模型方法与数据聚类,以及局部建模算法相结合,研究了非线性系统的模型辨识与控制器设计等问题,其主要内容包括:针对一类可由分段仿射模型表示的非线性系统,在获得系统全部工况数据的基础上,提出一种PWARX模型离线辨识算法。利用改进的G-K模糊聚类算法,在克服聚类迭代过程中出现非数值解问题的同时,实现对系统数据的满意划分,并用多性能指标综合评判的方法确定子模型的个数。在此基础上充分挖掘数据聚类的信息,以数据点的模糊隶属度值作为权重实现各子模型参数的加权最小二乘辨识,从而提高子模型辨识的精度;以数据聚类中心最近邻为准则确定两两相邻的回归空间数据,将切换面方程的辨识问题转化为线性分类问题,用软边界支持向量机获得其切换面方程的系数。最后,以一个连续的非线性函数与实际的PWARX模型为例,验证本文算法的有效性,以及PWA模型的非线性逼近能力。由于在实际的工业过程中,离线搜集覆盖全部工况的数据要花费大量的时间或根本不可能做到,因此,本文依据统计的局部学习理论,提出一种基于即时学习算法的非线性系统在线辨识方法。在分析时间序列数据相似性的基础上,提出k -VNN方法,构造即时学习算法的建模邻域,提高了算法预测精度。同时,利用PRESS统计策略,给出了一种递归的辨识算法与数据窗口h大小的确定方法,大大减小了算法的在线计算量。由于即时学习算法的建模邻域都是在线搜索确定,为减少算法的复杂度,在k-均值聚类的基础上,给出了一种两层递阶搜索策略。另外,为增强即时学习算法的自适应能力,同时避免给计算机增加过多的开销,本文还提出了一种数据库在线更新策略。并以非线性函数估计为例,验证本文辨识算法的有效性。最后,将本文算法应用到聚酯酯化率的软测量中,拓展算法的应用范围,并为工业软测量提供一种新的方法。针对可获得大量输入输出数据的非线性系统,结合本文所提出的局部模型在线辨识算法,给出了两种控制器设计方案。首先,直接从系统的数据出发,在线辨识当前工况下系统的逆映射模型与正向映射模型,并基于优化的性能指标,提出一种迭代寻优算法,得到当前控制器的输出值,对某一SISO非最小相位非线性系统的仿真研究证明了该方案的有效性。其次,将即时学习算法与预测控制相结合,提出了一种MIMO系统的预测控制器设计方案,推导相应带有系统约束的预测控制策略,以解决实际工业过程中多变量与大量约束的问题,某一燃油电力单元的仿真研究也验证了该方案的有效性。最后,定性比较了基于即时学习的线性化方法与其它几种线性化策略的优缺点。将本文的局部模型在线辨识算法与过程控制相结合,研究了大范围工况系统PID控制器的参数调整问题。首先,提出一种两层结构的PID控制器设计方案,即:底层的传统PID控制回路,以及上层以广义最小方差性能指标为目标函数的优化回路。利用即时学习算法的本质自适应特点,在线获取系统不同工况下的有效模型,在此基础上,依据广义最小方差性能指标,优化得到物理意义明确的PID参数值,以适应不同工况下控制系统的性能要求。其次,给出了一种启发式的参数调整规则,增强了算法的实际使用性能。最后通过Hammersterin模型与CSTR机理模型为例验证本文算法的有效性。为了解决验证先进控制算法有效性的困难,给算法设计人员提供一个模拟工业现场的环境,本文结合所提出的建模与控制算法,开发了一套AAS(Advanced Algorithm Simulation)仿真平台。该平台基于开放的OPC协议,依托实验室互连网络为传输数据的中介,使用Matlab软件作为模型与算法程序运算的核心组件,用WinCC软件来模拟工业现场的运行环境,完成Server/Client结构类型的网络组态。为进一步研究与开发先进控制算法提供了一个良好的研究平台。