本文是针对中石油克拉玛依石化分公司蒸馏装置(Ⅰ套)常压塔先进控制要求进行的，主要探讨了两方面的问题：采用神经网络建立常压塔各侧线闪点和粘度的软测量仪表；基于遗传算法和神经网络的常压塔侧线温度非线性多变量系统建模。在掌握工艺机理、工艺流程和原油蒸馏原理的基础上，分析了影响闪点和粘度的各种因素，从而建立了基于遗传算法优化的径向基神经网络(Radial Basis Function，RBF)常二线闪点、常三线闪点和常三线粘度的软测量仪表。利用遗传算法离线优化RBF软测量模型的初值，然后利用梯度下降法在线调整软测量模型，由此确定RBF网络的节点中心矢量C、基宽向量B、权值向量W，克服了RBF网络参数难以确定的问题和遗传算法实时性差的弱点，充分发挥了梯度下降法的快速性。从MATLAB仿真训练曲线和检验曲线看，软测量仪表达到了较高的精度，满足工程要求。克石化公司以高级变压器油和润滑油作为特色产品，国内能满足航天要求的变压器油和润滑油多产于此，但常压塔侧线温度多变量系统耦合严重，实际生产中通常采用的是开环控制，故能满足航天要求的特种油品产量很低。为提高特种油品的产量，常压塔侧线温度非线性多变量系统建模与控制精度急需提高。本文采集常压塔开环运行状态下的相关数据，建立了基于遗传算法优化的RBF神经网络常二线、常三线温度与常二线、常三线抽出量之间的非线性多变量动态模型，并与目前国内外广泛应用的机理模型进行了对比，说明了所建模型优于目前国内外广泛应用的机理模型；在分析对角递归神经网络(Diagonal Recurrent Neural Network，DRNN)、自适应控制技术的基础上，提出了基于DRNN神经网络的PID自校正解耦控制器设计方法，为后续的常压塔侧线温度多变量控制研究奠定了坚实的基础。