模型预测控制(Model Predictive Control,简称MPC)由于其模型预测、滚动优化、反馈校正的鲜明特点,使其成为处理复杂过程多变量控制的有效算法,在石油、化工等过程领域中获得了大量成功应用。MPC最大的吸引力在于它具有显式处理约束的能力,这种能力来自其基于模型对系统未来动态行为的预测,把优化性能指标和未来输入、输出或状态的约束归结为二次规划问题。然而约束优化问题是在线求解的,涉及到很大的计算时间和计算资源,使得MPC难以应用于快速动态系统和计算资源受限场合。这一问题吸引了控制与数学领域内的大批学者进行研究,如在线优化算法(内点法、有效集法等)的改进或近似处理,显式预测控制之类的离线算法。但现有的快速MPC算法在优化算法迭代的收敛性、方程组求解的策略,以及在线离线相结合等方面缺乏更深入的研究,不能最大程度上压缩MPC优化命题的求解时间,难以满足不同应用场合的需求。针对上述问题,本文从迭代终止策略,离线与在线算法相结合、矩阵更新策略求解线性方程组三个方面,进行了面向嵌入式平台的快速MPC算法的研究,主要研究成果如下：(1)针对内点算法求解经常陷入计算代价远远大于解精度改善的场景,本文提出了基于收敛深度控制(Convergence Depth Control,简称CDC)的快速MPC算法。该算法实时监测求解过程迭代点的收敛深度和进展程度,从而实现及时终止求解、节省计算耗时的目的。DSP平台测试结果表明,相比于基于传统迭代终止策略的算法,该算法的平均求解时间可以减少50%,即使在最差情况下也可以减少30%以上的求解时间。(2)针对现有在线与离线相结合算法存在搜索效率较慢且分区分布不均衡的问题,本文提出了基于k-d tree离线计算与在线优化结合的快速MPC算法。该算法采用k-d tree来存储参数规划中的分区信息,在线操作只需要查找参数点对应的分区；当分区信息无法查到时通过在线求解小规模的优化命题来得到控制变量并对k-d tree进行更新。仿真结果表明,该算法可以将求解速度平均提高6倍以上,最差情况下也能加速2倍以上。(3)针对有效集算法每次迭代求解类似方程组的特点,本文提出了基于矩阵迭代更新策略的快速MPC算法。该算法采用Weighted Gram-Schmidt矩阵迭代更新方法进行方程组求解,避免了频繁的矩阵分解占用大量时间,提高了求解速度。PC平台和DSP平台的测试结果表明了该算法的有效性。