非线性系统广泛存在于自然界。由于经典和现代控制方法存在一个共同的局限性：就是要求预先知道被控对象的数学模型，但实际上许多对象具有复杂的不确定性和时变性；此外还具有复杂的非线性。虽然在控制理论中有系统辨识的手段，但是对于非线性时变系统尚无成熟的和系统的辨识理论与方法，要实行有效的实时控制就很难了。人工神经元网络有表示任意非线性关系和自学习等能力，给解决这些问题提供了新思想和新方法。本课题主要针对前向神经网络——BP网络理论与控制器设计进行研究。首先重点对BP网络的结构和学习算法进行了深入研究，揭示了动量因子与网络收敛速度、收敛精度之间的关系，并提出了一种改进的算法。然后研究了采用自适应学习率BP网络的辨识方法，仿真说明其可以自适应地跟踪辨识被控对象。在此基础上，基于补偿控制思想，利用神经PID对传统PID进行补偿，设计了一种混合PID控制器；神经网络与自校正控制的结合，使得自校正方法能对非线性系统实现比较理想的控制效果；利用模糊控制与神经网络控制各自的优点，提出了一种基于快速BP算法的神经网络自适应模糊控制器，能够对系统进行在线控制。最后将混合PID控制应用于H型钢连轧机张力系统中，实现微张力控制，仿真结果说明其较传统PID具有更好的性能，同时也为其它类似系统的控制提供一些参考。