神经肌肉阻滞的具体作用是为了阻止病人在手术过程中由于伤口刺激产生的无意识的移动，避免不必要的伤害。在临床的肌肉松弛程度控制中，存在以下问题:传统的肌松药物注射方法依赖麻醉师个人的经验，没有统一的量化标准，很难维持阻滞水平的稳定;在手术室这种工作繁忙、节奏紧张的环境下，长时间的神经肌肉阻滞控制易造成麻醉师的疲劳与失误，进而给病人的手术过程带来更大的风险;虽然各种生物传感器和肌松程度监测方法的出现，促进对神经肌肉阻滞自动给药控制的研究，但由于新陈代谢及各种生理过程都是复杂的非线性系统，且存在严重的个体差异性，这给神经肌肉阻滞控制器的设计增加了难度。为此，本文针对神经肌肉阻滞自动给药问题进行研究，采用基于高斯过程模型的预测控制技术实现个体差异下的自动给药控制。　　首先，针对神经肌肉阻滞系统的个体差异性问题，本文提出采用在线动态数据驱动建模的方法来保证个体模型的精度。由于建模数据的在线更新，每次需要对协方差矩阵求逆，本文给出一种求逆公式来解决求逆运算计算量大的问题，减少运算时间，达到实时控制计算要求。另外，由于协方差函数是高斯过程模型结构的核心，而在协方差函数的选择上却没有统一的标准，本文利用实验测试对比分析的方法获得了适合神经肌肉阻滞系统的协方差函数。传统的一次高斯建模方法难于应对生物系统的动态变化，本研究在此基础上采用在线动态更新模型的方法，选择适当的建模数据容量，实时更新建模数据，保证模型的局部动态特性，为基于模型的控制器设计提供保障。仿真验证了所提方法具有较高的建模精度及局部动态预测能力。　　考虑到高斯过程是一种统计的概率建模方法，对实际系统的结构没有定性的分析，只是对系统输入输出关系的一种映射。而模型预测控制对于模型的结构没有要求，且能够处理对输入有限制约束的问题。因此本文采用基于高斯过程模型的预测控制算法进行自动给药控制。同时，针对神经肌肉阻滞过程存在比较大的滞后问题，提出了融合预测与微分控制的方案来实现神经肌肉阻滞过程的自动给药控制系统。本文利用泰勒展开推导了高斯过程预测算法优化过程的数学表达，并得到了完整的控制策略。仿真表明，本控制方案针对不同的病人都表现出良好的控制效果，同时在线控制的均方跟踪误差比离线控制提高了近一倍，进一步说明了该方法的优势。