近年来，随着现代控制理论和数字计算机技术的高速发展，出现了许多比较先进的控制算法，如广义预测控制算法(GPC)，内模控制算法(IMC)等，并开始应用于工业生产中。但是就目前而言，比例积分微分(PID)控制器在过程控制中仍然起着主要作用，其原因是常规的PID调节器具有结构简单、鲁棒性强、适应性好、能够对很大一类工业对象进行有效控制等一系列优点。但是在实际的工业生产过程中，往往具有非线性，时变不确定性，因而难以建立精确的数学模型。从控制的角度看，寻求高可靠、鲁棒性、适应性、智能型和简便易行的控制理论和方法，以满足复杂系统高维数、非线性、强干扰、不确定、难建模、实滞未知、快速多变的要求，一直是控制学科追求的目标。因此，设计一个具有自适应、自学习能力的神经智能控制器，对提高这类系统的控制效果和鲁棒性有积极意义。由于人工神经网络具有对任意非线性映射的任意逼近能力，近年来，已经被引入非线性系统的辨识中，用来模拟实际系统的输入／输出关系。而利用神经网络的自学习、自适应以及并行处理能力，可以方便地给出工程上易于实现的学习算法，经过训练得到动态系统的前向或逆向模型。与传统非线性辨识方法不同的是，神经网络辨识不受非线性模型的限制。它依据被控系统的输入输出数据，通过学习得到一个描述系统输入输出关系的非线性映射。给定一个输入，即可得到一个输出，而不需要知道输入和输出之间存在着怎样的数学关系。这是目前非线性系统辨识中一个引入注目的新途径。本文有针对性地对人工神经网络的各种网络模型及学习算法进行了研究，提出一了种基于人工神经网络的电厂主汽温控制系统。主要内容包括：(1)分析了人工神经网络各种网络模型的结构特点，及在智能控制中适用的范围。(2)在学习了控制领域的PID控制原理的基础上，分析了传统PID控制存在的不足，提出了一种基于人工神经网络的智能控制系统。在对非线性系统的辨识模型的研究和对BP网络算法深入研究的基础上，选择BP网络作为神经控制系统中神经网络辨识器的在线辨识网络，使用基于Hebb学习规则的神经网络根据系统的运行状态，在线调节PID控制器的控制参数，以使系统性能指标达到最优。(3)选择电力系统中火电厂主汽温作为被控对象，根据本文所提出的控制算法进行仿真试验，结果表明该控制系统表现出良好的控制特性，能很好地解决响应快速性和稳定性的矛盾。