工业生产的快速发展使得工业系统更为复杂,大时滞、时变性、严重非线性给工业控制系统提出了更高的要求。具有时滞特性的控制系统是普遍存在的,对于大时滞系统的控制是很困难的。传统的控制方法往往建立在被控对象的数学模型的基础之上,然而在实际中,由于控制对象是电子、机械、软件及其现场环境的复合体,因此很难以建立准确的数学模型,有些甚至根本无法建立模型。由于神经网络具有自学习、自组织以及能逼近任意非线性函数等诸多优良的特点,因而应用神经网络理论与方法对大时滞工业系统的控制已成为了热门研究课题。大量的研究成果表明基于神经网络的控制系统为大时滞系统的控制提供了新的途径。目前基于神经网络的大时滞控制系统主要分为两种结构,一种是把神经网络与常规PID控制器相结合的控制结构,另一种是无需附加PID控制器,仅用神经网络本身的控制结构。本文对这两种结构各选取一种神经网络对大时滞系统进行研究。论文中的BP神经网络PID控制系统就属于第一种结构,在这种控制结构中,首先通过神经网络自学习的功能自动调整控制参数,然后把这些参数送入PID控制器中进行整合,从而形成控制律对被控对象进行控制。本文分析了BP神经网络的结构,详细的给出了BP的前向算法、反传算法,对BP算法的易陷入局部极小值和收敛速度慢两大缺点进行了重点分析,并提出了相应的改进方法,确定了BP神经网络PID控制系统的结构及算法,最后分别用标准的BP算法与改进Vogl算法对一阶大时滞的加热炉进行了仿真,仿真结果表明改进的Vogl算法的控制品质明显好于标准的BP算法。PID神经元网络控制系统就属于第二种控制结构,在这种控制结构中,分析了具有动态处理能力的PID神经元,给出了PID神经元网络控制系统的框图以及算法,并对一个典型的二阶大时滞对象进行了仿真,从阶跃响应,抗干扰能力,鲁棒性等方面分析该算法的实用性。文章最后还重点讨论了PID神经元网络与Smith预估器相结合的控制系统,给出了结合后的算法及相关程序并进行了仿真,仿真表明结合后的控制系统在快速性、抗干扰性方面比仅用PID神经元网络控制有很大的提高。