非线性时滞系统在生产过程中是较常见的、但又是难以控制的。由于神经网络能对任意复杂非线性函数充分逼近,而预测技术可以很好的解决时滞和不确定性的影响。非线性时滞系统的神经网络预测控制在近几年得到了迅速的发展,并成为非线性过程控制的主要手段之一。本文对非线性时滞系统采用了d步超前预测模型的神经网络预测控制。首次实现了非线性时滞系统的神经网络预测控制的并联模型的RTRL算法,对比讨论了并联模型的RTRL算法和它比串并联模型的BP算法的优越之处。指出现有的NARMA模型修正方法对时滞系统的不当之处。以时滞系统神经网络预测控制为例,介绍了NARMA模型的正确修正方法。文中介绍了一种新的正交神经网络。首次给出了多变量输入正交神经网络完备处理单元(神经元)选择的通用公式;针对输入变量增多时,完备处理单元急剧增加的情况,提出了几种裁减完备处理单元的选取方法。仿真实验验证了正交神经网络比BP网络收敛速度快、训练时间短、逼近能力好。构成了正交递归神经网络,首次将正交递归神经网络用于系统时滞辨识和系统输入阶次辨识。仿真实验表明:①正交递归神经网络在时滞的辨识上比传统的BP递归神经网络收敛速度快、训练时间短、逼近能力好;②正交递归神经网络具有全局收敛的性质,在输入阶次的辨识上,能够明确辨识出系统输入阶次的变化;而BP递归网络易陷入局部最小,不能准确辨识出输入阶次的不同带来的微小变化。