随着当今现代化工业生产的迅猛发展,实际工艺生产过程具有复杂性,非线性,工作地点多变性,强耦合性,控制性能要求过高等特点,使我们想要通过机理模型来掌握被控过程中各变量之间的相互关系变得更加困难,成本也随之提高。而非线性系统一般时变性以及不确定性较强,单一的模型结构往往无法对全局系统进行准确地描述,为这种全局的辨识过程增添了多种困难。因此,本文以非线性系统作为研究对象,直接从系统的输入输出数据出发,基于局部学习理论,提出了基于即时学习算法的非线性系统在线优化的控制方法。本文对比了几类常用的数据驱动策略方法,最终选取了即时学习算法来实现在线局部建模的任务。即时学习算法是基于“相似输入产生相似输出”的思想,通过对该算法的相似度指标,数据更新搜索策略进行改进,从而实现对未知系统仅依靠系统数据即可进行局部建模。即时学习算法可以使非线性系统的辨识及控制更加精准,提高了运算速率。针对可利用的大量输入输出数据的非线性系统,结合局部模型在线辨识以及神经网络逆控制思想设计了一种控制器方案。从系统的输入输出数据出发,基于优化的性能指标,得到当前逆控制器的输出值。再次建立正向模型,设计正向优化控制器,能够达到跟踪作用。本文基于即时学习算法所设计的非线性系统的逆控制器可以有效地对非线性系统进行辨识及控制,克服了全局建模数据冗杂的困难,实现了预测精度与运算速率同步提高,在满足各项约束条件的基础上,同时也达到了系统规定的性能指标。该控制器可大范围应用于工业实际中,适用于复杂工况中,体现了良好的工业应用价值。并且本文对这一研究方向做出了总结以及展望。