产品质量控制是生产企业参与市场竞争并且赖以生存和发展的基础，也是先进制造生产模式的重要组成部分。在现今复杂的生产制造技术环境下，生产过程具有自动化、柔性化、集成化和智能化的特点。为了适应市场全球化、消费个性化趋势发展的需要，对于产品的质量要求也有了很大的提高。 本文针对目前对于产品质量的这种高要求，以及传统质量控制手段的滞后性等弱点，提出了基于神经网络的质量预测模型。通过该预测模型，可以提前判断过程参数是否符合要求，并且在不满足要求的情况下可以自动的通过神经网络模型调整过程参数。文中不仅提出了该模型的结构，还对神经网络的非线性拟合能力作了深入的探讨，并且给出了具体的仿真算例。本论文主要包含了以下的工作: 1.对BP网络和RBF网络的网络结构、学习能力和性能给出了深入的讨论，并且对BP网络和RBF网络在函数拟合方面的性能作出了比较。可以看出，RBF网络在输入数据条件良好的情况下，网络的性能比BP网络有着很大的提高。 2.在BP网络的基础上提出了一种新型的神经网络模型，对网络的收敛性和性能进行了理论分析和实验验证。实验表明，该网络具有学习速度快、特征提取能力强。并且网络的自适应能力也较好。与传统的BP网络相比具有较大的优势。 3.研究了智能控制和预测控制的基本理论，在此基础上提出了智能预测控制的概念，建立了基于神经网络的智能预测控制模型。该模型通过两个神经网络模块起到对过程质量参数进行预测和控制的作用。其中的一个模块用作对过程进行模拟，另外的一个模块则是利用预测值与期望值的误差对过程参数进行调解。通过仿真算例表明，该模型可以有效地调解过程参数，使得质量特性得到普遍的提高。 本文针对当前工业生产过程的复杂性和对质量的高要求，提出的基于神经网络的质量预测模型，可以较好的解决对产品质量进行预测控制的问题。仿真结果表明，BP网络和RBF网络对复杂生产过程具有良好的拟合能力。本文提出的模型在方法上具有一定的先进性，同时对于实际生产过程质量控制也有一定的指导意义。