当前空调系统面临的主要问题是:如何提高室内热湿环境的舒适性以及如何降低空调系统的能耗。提高室内环境舒适度就必须了解热舒适性指标(简称PMV指标)的影响因素,及其中影响因素的控制;而降低空调能耗的关键之一就需要做到更精准更及时地控制室内环境参数。针对上述空调系统存在的问题,本文做了如下工作:首先,对影响舒适度指标各种因素进行分析。在分析的几大影响因素中,对人体热舒适影响最主要的为所在热湿环境的温湿度。通过PSO-RBF神经网络算法,对预测热舒适性指标模型的各项参数进行学习训练,最后得到参数取值较好的网络。其次,将Smith预估反馈控制与传统的PID参数整定控制相结合,设计了一种简易的空调系统温度控制器。然后,介绍了极点配置与RBF神经网络整定PID参数的方法,并受二自由度控制的额启发,引入了前馈控制器,将前馈控制器与Smith预估反馈控制器结合,分别设计了极点配置整定PID参数的空调温度二自由度复合控制器和RBF神经网络整定PID参数的空调温度二自由度复合控制器。最后,针对空调实际运行中的随机干扰,提出了一种基于二维框架理论的PID迭代学习预测控制方法,运用此方法对空调系统湿度进行控制。通过对比不同干扰信号条件下的跟踪响应发现迭代学习预测控制不仅对周期性干扰具有较好的鲁棒性,而且在随机干扰的条件下,仍然能够保持较好的跟踪性能。仿真结果验证了该方法的有效性。本文的研究成果对改变传统空调单纯的PID控制具有一定意义,通过精确的控制空调系统的温湿度,可以大幅提升人体在空调环境的舒适性,也提高了环境质量。