热工过程具有时变性、不确定性及非线性等特点。当过程工况发生变化时，热工对象的模型参数也会发生相应的变化。建立精确的热工过程模型是提高热工过程控制水平的基础。神经网络以其逼近任意非线性函数的能力，为它在热工过程建模中的应用开辟了广阔的前景。 本文首先介绍了神经网络的研究现状，在介绍改进神经网络泛化能力以及收敛速度的各种方法的基础上，从结构优化、结构分解和样本选取等几个方面入手，分析了提高神经网络泛化能力以及收敛速度的途径和实现方法。最后研究了神经网络在预测控制中的应用问题。 本文在详细介绍神经网络研究现状，即改进神经网络训练算法和结构优化的各种方法，包括神经网络的结构设计方法的基础上，提出了快速资源优化网络(FRON)算法。针对RAN算法的固有缺点，提出一种基于疏密函数的判据，并对训练算法进行改进，这种算法提高了网络的运算速度，优化了网络隐层节点的位置。 提出一种基于粗糙集理论的RBF网络构造算法(RS-RBF算法)。在RS-RBF算法中，通过粗糙集理论分析RBF网络隐层中的隐节点，将其分类，将不重要的隐节点删去。该方法能自动设计出规模合理的RBF网络结构，最终设计的网络不仅具有精简的网络结构，也具有较好的泛化能力。 讨论了RBF网络结构分解的理论和方法，提出了一种基于多Agent系统设计原理的神经网络构造算法(MANN)。该算法根据多Agent系统设计原理，将神经网络结构分解为建模Agent系统和决策Agent系统。 提出一种基于先验知识的RBF-LSTM网络结构作为Agent系统中的网络模型。RBF-LSTM网络将专业背景知识引入到神经网络的结构构造中，建立了具有长短期记忆功能的网络结构。网络构造中引入了剪枝策略，使网络具有精简的结构。 提出了一种基于神经网络模型的预测控制方法。该方法对目标函数的最小化算法进行简化，提出简化的Newton-Raphson法。通过一个多输入多输出神经网络来建立被控对象的预测模型，减小了控制系统的结构规模。