在工业自动化领域，温度作为一项重要参数，对其控制性能的要求日益提高。多变量温度控制系统是典型的时变性、非线性、纯滞后的惯性系统，且由于复杂的耦合作用影响，精准控制十分困难。相比传统解耦技术，针对这个问题，智能算法提供了更为有效的解决之道。从实践角度来看，很多应用在温度解耦控制中的智能算法虽然提高了系统的自动化程度，但由于结构过于简单，无法消除算法的先天劣势，实际工作效果不佳。将几种智能技术与PID控制相结合，则能弥补单一算法存在的不足，增强系统鲁棒性。论文采用基于BP神经网络的自整定PID算法作为控制方案的基本构架，进行多通道解耦控制。方案首先优化了PID控制器。传统的PID控制对于响应速度缓慢的对象应用受限，原因是不合理的积分系数会导致系统超调和连续振荡。而引入积分分离和抗积分饱和结构，可以改善这一缺陷。该智能解耦算法不依赖被控对象的数学模型，并通过BP网络的自学习功能，实现了控制参数的在线整定。论文还进一步设计了改进型智能解耦算法。未改进算法在学习过程中涉及的一项关键变量，无法用已知条件进行求解，再次利用神经网络，通过其任意非线性函数的逼近能力，还原温控对象输入输出间的关系，能得到较为准确的中间变量信息，使计算流程更加精确。神经网络对于参数初值十分敏感，选择失误会影响工作性能和收敛过程。遗传算法的大规模并行运算方式和多方向搜索技术，是完成神经网络参数寻优的上佳工具，通过其在控制系统中的合理植入，智能解耦算法的实用性会显著提升。可编程计算机控制器（PCC）是涵盖3C技术的新型工业控制装备，论文以其分时多任务的编程平台为基础，绘制了基于智能解耦算法的温控系统程序流程，实现了算法从理论分析向实际应用的转化。将算法在MATLAB中予以计算机仿真，然后作为工程指导，进行算法性能检测实验。最终结果表明，论文设计的智能解耦控制算法能保证较高的稳态精度和良好的动态性能，并具备不错的自适应性和抗干扰能力。