随着控制理论的不断发展，在实际系统中所研究的受控对象越来越复杂，这种受控对象的复杂化一方面表现在控制系统具有多输入—多输出的强耦合性、系统的时变性、不确定性以及严重的非线性，预测控制正是为了克服这些问题而发展了起来。最早应用于工业过程的预测控制算法，有Richalet，Mehra等提出的，建立在参数模型脉沖响应基础上的脉冲模型预测启发控制(MPHC)，以及Cutler等提出的，建立在非参数模型阶跃响应基础上的动态矩阵控制(DMC)，Clarke的广义预测控制(GPC)，Lelic的广义预测极点配置控制(GPP)等，在各种复杂生产过程控制中获得了良好的应用效果。另一方面更突出地表现在实际中从对象所获得的信息量也相对地减少，这使得受控对象的建模和控制就更为困难。以往的经典控制理论很难给出较好的控制效果，甚至无法控制。模糊辨识与控制理论在解决复杂系统控制问题的过程中表现出巨大的潜力。它的接受语言信息的能力，它的隶属度函数、模糊规则和逆模糊化的结构框架以及自身具有的非线性和并行处理的特点使其能够解决工业领域中许多多变量非线性系统控制问题。本文针对控制科学与工程学科发展的前沿研究方向——复杂系统的控制进行了较深入的研究，将模糊辨识与预测控制相结合，发挥出各自优点，通过研究表明，这种算法能获得良好的控制效果。对非线性系统的任意逼近性是模糊逻辑系统能够用来辨识复杂工业过程、给出合理控制的理论依据。在这方面的研究已经获得了初步成果。Mamdani和T-S模型已经被证明是通用逼近器。根据复杂工业过程难于建模与控制的特点，提出了将能够有效结合数据信息和语言信息的T-S模糊动态模型应用于复杂工业过程的辨识与控制。本文从T-S模糊模型的结构入手，给出了T-S模糊模型辨识步骤与算法，然后从系统化设计T-S模糊模型的角度给出了模糊控制器的具体设计算法，并且对模型稳定性进行了分析。最后通过对倒立摆控制系统进行仿真实验研究，进一步验证了所提方法的有效性。在介绍预测控制基本原理和T-S模糊模型的基础上，将基于T-S模糊模型的预测控制分为间接模糊预测控制以及将T-S模糊模型辨识与预测控制器设计结合起来的直接模糊预测控制，即基于T-S模糊模型的广义预测控制两种算法。从理论上对这两种算法进行了详细的分析和推导，给出相应的算法步骤，并且通过非线性系统进行部分仿真研究，证明了算法的可行性和有效性。本文从T-S模糊模型辨识以及模糊辨识与预测控制结合等方面进行了较深入研究并且取得了初步研究成果。对今后在该领域的进一步深入研究奠定了重要的理论基础。