在过去的几十年间，预测控制技术在过程工业中得到了广泛应用。由于模型预测控制是一种基于模型的技术，所以模型的精确度是其成功应用的关键。存在不可测量扰动的系统的建模是一项复杂的任务。这些不可测扰动的出现会影响模型精确度，从而使得模型预测控制下的控制性能变差。本文解决了存在不可测扰动下的模型辨识问题，并将方法应用到模型预测控制技术中。具有平稳扰动的模型辨识问题在已有文献中已得到很好的解决，且此类方法在实际中也得到广泛地使用。大多数模型预测控制技术是基于此类模型。然而，在过程工业中，扰动一般来说是非平稳的、难以建模和预测。本文提出具有非平稳扰动的系统的三阶段模型辨识算法。本文的主要创新如下：提出了一种扩展Box-Jenkins（EBJ）模型。为了描述非平稳扰动，增加了一个时变偏差项。此模型可同时描述具有平稳扰动和非平稳扰动的过程对象的动态。此外，提出了针对多输入多输出（MIMO）系统的扩展Box-Jenkins（EBJ）模型辨识方法。为了辨识提出的EBJ模型，提出了一种三阶段多新息递归最小二乘（TSMIRLS）辨识方法。将EBJ模型分解为三个子系统，即：过程模型、平稳干扰模型以及非平稳干扰项。每一个子系统通过单独的TSMIRLS辨识方法辨识。针对各子系统可采用不同的可调参数。由仿真结果可知，对比BJ模型，EBJ模型在参数估计方面具有更高的精度。对提出的EBJ模型的参数还采用三阶段多新息随机梯度（TSMISG）方法辨识。由于基于RLS的算法的计算量大，当参数的个数过大时，可使辨识问题不可行。为了降低计算量，本文在三阶段辨识算法中采用了随机梯度方法。本文对此类算法的计算过程的复杂性和精确性进行了分析和比较。基于上述的三阶段模型辨识技术，提出了两种不同的模型预测控制方法。第一种方法针对具有自适应扰动的时不变系统。在此方法中，过程模型仍然固定，但扰动模型参数是在线辨识的。将输出误差造成的冗余项用来估计不可测扰动。根据自适应扰动模型，预测未来时刻扰动，且将其包含进模型预测中以提高精确性。将算法应用到温室过程中，仿真结果证明了所提算法的有效性。第二种方法针对时变系统，提出了一种自适应模型预测控制算法，其中过程模型和扰动模型同时在线更新。将EBJ模型进行推广，以描述时变系统。在模型预测控制描述中，采用了时变的目标函数。通过仿真，验证了提出的模型辨识算法和相应的自适应模型预测控制方法的有效性。