随着科学技术的迅猛发展,控制系统越来越复杂,对控制精度的要求越来越高。由于具有复杂非线性的系统无法用线性模型来描述,因此,研究非线性系统模型辨识方法有着很重要的实际意义。神经网络以其良好的非线性映射能力、自学习适应能力、联想记忆能力、并行信息处理方式及其对非线性函数具有任意逼近能力等优异性能,为非线性系统的模型辨识提供了一个快速而且有效的方法,并可以为复杂模型辨识问题提供一类通用的模式。因此,研究神经网络在非线性系统模型辨识中的应用,具有重要的研究价值和广泛的应用前景。本论文首先对系统模型辨识的发展和主要应用研究技术进行了综述,并在对神经网络的结构特点和训练算法综合分析的基础上,对神经网络在系统模型辨识技术中的应用,提出一些新的改进方法和控制策略。其次,详细地讨论了两种典型结构的神经网络——BP网络和RBF网络,并通过仿真实例,验证了神经网络对于非线性系统模型的良好辨识能力。本文所提出的几种神经网络结构和参数自适应调整的改进算法,都通过实例,验证了算法的有效性。最后,本论文通过神经网络在故障诊断中的应用实例分析,进一步验证了神经网络良好的分类、学习能力和泛化能力,可以为复杂系统的故障分析及诊断,提供一种快速、有效的方法。本文所完成的实验仿真与分析,都是在MATLAB环境下完成的,该环境强大的仿真分析与运算功能,为本文工作的研究提供了有力的支持。当然,在工程应用角度来看,所探讨的辨识或诊断方法,可能会存在实时性等问题。可以考虑在其它针对性较强的软件平台上实现。