为了实现复杂非线性系统的有效控制,获得优良控制性能,神经网络、粒子群算法被引入控制领域。结合神经网络非线性特性和粒子群算法较强的寻优能力,成为解决复杂控制问题的重要手段。论文针对传统PID控制器参数整定困难的缺点,研究了基于BP神经网络整定PID控制器三个参数的方法,实现了BP神经网络进行PID参数整定。由于BP神经网络神经元函数为静态函数,不适合控制动态系统,神经网络层数难于抉择等缺点,论文给出了一种传统PID控制与神经网络相结合的新型神经网络——PID神经网络。通过一个非线性单变量仿真实例,验证了SPIDNN单变量控制器在学习中的收敛速度较快,系统的输出误差均方值衰减速度快,构成的控制系统抗干扰性能好。由于标准PSO算法训练时间长,全局搜索能力弱,易陷入局部最优等缺点,论文给出了一种改进的粒子群算法(MPSO),通过标准测试函数对该改进粒子群算法进行测试,仿真结果表明：MPSO算法具有较高的搜索精度和收敛速度等优点。针对复杂的非线性多变量耦合系统的控制问题,论文采用MPIDNN对该系统进行仿真实验,仿真结果表明MPIDNN能实现解耦控制并具有良好的抗干扰性能。由于MPIDNN初始权值随机得到并且采用BP算法修正网络权值,论文给出了基于改进粒子群算法(MPSO)优化MPINN参数的方法,该方法使用MPSO算法优化网络初始权值,并用优化后的最优初始权值控制非线性多变量耦合系统。与基于BP算法和标准PSO算法优化MPIDNN参数的方法进行比较,结果表明：基于MPSO优化的MPIDNN学习时间短、收敛速度快,被控量快速逼近控制目标,并缩短了系统的响应时间。因此,基于MPSO优化的MPIDNN控制实现了较好的控制效果。