在过去的十几年中，化学加工工业(CPI)发生了巨大的变化，间歇过程又重新受到了人们的普遍重视。间歇过程指的是将有限量的物料按规定的加工顺序在一个或多个设备中加工以获得有限量的产品的加工过程。 由于间歇过程通常具有非线性、时滞和不确定性的特点，因此用常规的建模方法建立模型比较困难。智能系统理论是以众多新兴学科为基础发展起来的，智能系统辨识方法理论是属于智能系统的一个研究范畴，其中所包含的模糊系统理论、神经网络理论和进化计算理论都提供了面向这类复杂对象建立模型的方法。 本文在研究了包括传统系统辨识与智能辨识方法的基础上，对氧乐果合成间歇生产过程的温度对象进行模型辨识。通过了解与分析氧乐果合成间歇过程的生产工艺，找出了影响温度的主要因素以及温度的变化规律。然后将从现场采集到的各种历史数据进行必要的数据预处理，构成辨识所使用的输入输出数据。 本文的重点是利用神经网络方法来实现对象的模型辨识。通过研究BP神经网络的特点，采用了L-M学习算法来完成辨识。利用该种算法，学习训练的速度大大加快，而且网络的泛化能力也较好。根据工艺了解到，采用单一的神经网络模型具有一定的局限性。因此，论文中提出了分阶段实现对象模型的方法，即将温度按照工艺要求分成相应的几个阶段，对各个阶段建立阶段的BP网络模型。BP网络实现的是静态过程辨识，如果要实现过程的动态辨识，就要用到回归网络。本文是在BP网络的基础上加上TDL环节构成了回归网络。将温度数据通过一个TDL环节引入到神经网络输入端作为一个新的输入量来完成辨识。此外，论文中还将利用各种方法辨识出来的模型引入到控制系统中，进行现场情况的模拟仿真。 本文还研究了利用遗传算法优化模糊T-S模型参数的模糊系统辨识。在这一部分，文章引入了广义T-S模型的概念，从而更加方便了遗传算法的寻优过程，并利用这种方法建立了对象的广义T-S模糊系统模型。 另外，本文还讨论了将仿真中使用的一甲胺流量控制信号转换为实际阀门开度信号。主要利用了曲线拟合的技术，做出了流量曲线并给出了相应的经验方程。