本文针对火力发电厂水处理系统的控制问题提出了一种改进的神经网络辨识和预测控制方法，电厂水处理系统包括凝结水加氨处理，给水加氨处理，给水加联氨除氧处理，以及气泡炉的加磷酸盐处理和电厂工业废水处理，这些系统在控制上有几个明显的特点，第一，过程时滞较大，该过程包含有混合，反应及测量等延迟过程。第二，有较强的非线性特性，尤其强酸强碱的中和过程。第三，过程有一定时变性，除此以外负荷变化，测量误差，设备切换等扰动因素也常会给此类系统的控制带来一定的困难，对于这类系统常规的PID控制很难应用，现代控制理论对模型精度要求较高，因此采用对模型精度要求不高，又能实施在线控制的预测控制方法就成为自然的选择。本文总结了前人对于非线性预测控制研究成果，以及对PH中和过程的控制成果，用机理法推导出PH中和过程的模型，在此基础上改进了神经网络结构和权值的优化算法，采用优化的神经网络模型和神经网络预测控制器，对废水中和过程对象实施控制，并进行仿真验证。本文主要做了以下工作：改进了粒子群优化算法，提出了基于混合神经网络的模型辨识方法，以及基于动态粒子群算法（DPSO）的贝叶斯-高斯网络模型在线辨识方法，通过改进神经网络模型结构和优化算法提高系统的辨识精度，达到对系统输出的快速和准确跟踪。并通过程仿真比较验证了混合神经网络模型有较强的泛化能力，贝叶斯-高斯网络能快速跟踪系统时变。针对废水中和过程的特性，应用酸碱中和的强酸当量模型，提出了一种基于敏感度（SA）和改进粒子群优化算法(DPSO)相结合的RBF混合神经网络模型辨识方法，通过调整网络结构和辨识出系统的滞后时间来提高模型辨识效率和预测精度，将RBF混合神经网络辨识器与神经网络控制器相结合构成电厂废水PH中和过程的预测控制系统。并通过仿真验证了该控制方法的实效性。最后结合电厂水处理中给水加氨的处理，将该控制方法应用至多输入多输出系统中，本文在总结了神经网络非线性预测控制系统优点的同时也提出了一些不足之处，比如算法的实时性问题，神经网络的泛化能力及结构选择问题，还有控制系统的稳定性及鲁棒性证明等问题。最后对全文进行总结和展望。