时滞现象普遍存在于工业过程中，且时滞系统难以控制。许多补偿方法在理论上能克服纯滞后带来的动态品质影响，但由于工业现场的不确定性和干扰的随机存在，使得建立精确的数学模型很难实现。预测技术具有适应性强、响应速度快、超调量小等特点，可以很好的消除时滞和不确定性的影响，而且对模型的精确度要求不高，因此可以很好的控制时滞系统。随着工业过程的复杂化，系统的非线性程度越来越高，基于线性模型的预测控制已很难应用。由于神经网络能对任意复杂的非线性函数充分逼近，因此非线性时滞系统的神经网络预测控制得到了迅速的发展。 本文研究了动态矩阵控制(DMC)和广义预测控制(GPC)的基本原理，将它们应用于时滞系统，取得良好的控制效果，并通过仿真深入探讨了优化时域长度、控制时域长度、柔化因子以及控制加权系数等预测控制参数对系统性能的影响。 文中对BP算法深入研究，基于“重新息，轻老息”的思想，经过二次指数平滑处理，对BP算法提出一种改进，仿真表明改进算法具有收敛速度快、预测精度高的特点。针对BP网络易陷入局部收敛，训练速度慢，通过对同一输入函数的静态辨识仿真，验证RBF网络能克服以上缺点。基于此，本文将RBF神经网络和动态矩阵控制算法相结合，提出了基于RBF的动态矩阵控制。仿真研究表明，该方法运用于时滞系统中不仅显示良好的控制效果，还具有自适应的调整功能。