水泥煅烧过程中的氮氧化物（Nitrogen Oxides,NOx）排放浓度是一项重要的污染防治指标。为了减少NOx的排放使其达到环保要求,水泥生产企业采用选择性非催化还原技术对煅烧过程中烟气进行脱硝处理。目前,脱硝系统控制方法主要采用开环手动控制方法和PID控制方法,具有很强的滞后性和波动性,不能实现稳定控制。因此,本文以水泥煅烧过程的脱硝系统为研究对象并基于深度神经网络和模型预测控制技术,提出了基于深度神经网络模型预测控制（DNN-MPC）的水泥煅烧烟气脱硝系统控制方法,用于实现水泥煅烧过程中NOx排放浓度的稳定控制并减少氨水的使用。具体研究工作如下:首先,介绍新型干法水泥生产技术及水泥煅烧过程中烟气脱硝机理,详细分析水泥煅烧过程中NOx产生和消除的原理;研究水泥煅烧过程烟气脱硝系统建模及控制过程中的难点并提出相应解决方案;选取影响NOx产生和消除的变量作为脱硝系统的操作变量和可测扰动。其次,针对水泥脱硝过程的非线性、时变时延和多变量强耦合等特征造成NOx排放浓度难以预测的问题,建立了结合聚类算法和时间序列特征的深度信念网络（CT-DBN）预测模型。该模型采用K均值聚类算法增强数据特性,并采用时间序列方法提取多变量时延特征,提高水泥煅烧过程NOx排放浓度的精确预测。然后,针对水泥烧成过程脱硝系统的波动性、长时延和不确定性导致难以精确控制的问题,提出DNN-MPC方法。基于CT-DBN预测模型,将脱硝系统NOx排放浓度实时数据进行反馈,对预测值进行修正。利用改进差分进化算法求出最优控制序列,将解出的下一时刻的控制量代入脱硝系统,完成对脱硝系统过程的控制。最后,利用水泥企业的实际生产数据对CT-DBN模型的预测效果和DNN-MPC的控制效果进行实验验证。设计对比实验证明了CT-DBN可以精确地预测NOx排放浓度且具有较强的稳定性和泛化能力。实验结果表明DNN-MPC可以实现对脱硝系统的稳定控制,在控制NOx浓度稳定排放的同时减少了氨水的使用量。