线性预测控制(Linear Model Predictive Control, LMPC)在提出之后便在石油、化工等很多行业中得到了广泛应用，并且在理论和实践方面均取得了丰硕的成果。但对于实际过程中普遍存在的强非线性、时变性和不确定性的系统，线性预测控制往往不能得到满意的控制效果。因此，非线性预测控制的研究成为学术界和工业界关注的焦点。近年来，在统计学习理论基础之上发展起来的最小二乘支持向量机(Least SquaresSupport Vector Machine, LSSVM)已经在模式识别和系统辨识等领域中得到了广泛应用，这就为工业过程控制中非线性系统的建模与控制提供了一种有效的方法。本文针对非线性过程，研究了基于最小二乘支持向量机的非线性预测控制算法，主要研究内容包括以下几个方面：1.给出了一种基于最小二乘支持向量机和自适应量子粒子群优化(AdaptiveQuantum Particle Swarm Optimization, AQPSO)的非线性预测控制算法。首先利用LSSVM回归建立非线性过程的预测模型，进而在量子粒子群算法的基础上提出了全局搜索能力强、收敛速度快的自适应量子粒子群算法，将其作为求解在线优化问题的优化策略，最终实现了一种基于LSSVM和AQPSO的非线性预测控制算法。针对强非线性的pH中和过程进行了仿真，验证了算法的可行性和有效性。2．给出了一种基于局部最小二乘支持向量机的非线性预测控制算法。将局部学习理论融入到LSSVM中，构造出一个局部LSSVM(Local LSSVM, LLSSVM)模型，将得到的局部LSSVM模型应用到预测控制中，最终实现了一种基于局部LSSVM的非线性预测控制算法。考虑到建模的实时性问题，提出了一种降低局部LSSVM建模复杂度的方法。对连续搅拌反应釜(CSTR)的仿真研究表明了该方法的可行性和有效性。3．针对实验室油水分离器液位控制系统进行了控制实验。将本文提出的这两种非线性预测控制算法应用到油水分离器液位控制系统上，取得了良好的控制效果。