现代工业向着复杂化大型化发展,对传统的机理建模和控制策略提出了重大挑战。信息技术的发展使得过程变量的自动化采集程度越来越高,而采集到的数据包含大量的过程信息。对这些信息的有效利用促进了数据驱动方法的发展。偏最小二乘(partial least square, PLS)作为一种多元统计数据驱动方法,已广泛应用于各个领域中。但在过程控制中的应用还处在起步阶段。本文结合PLS方法的去噪、降维、消除共线性和自解耦等特点,研究了动态PLS的建模方法和模型预测控制(model predictive control, MPC)方法。首先提出一种鲁棒动态建模方法,以提高在数据中存在野点的情况下的建模精度。其次设计了一种抗扰动MPC方法以及线性和非线性系统的无静差控制方法。具体工作内容包括：针对建模数据中的野点会影响动态PLS建模精度的问题,提出了一种具有野点检测的动态PLS鲁棒建模方法。野点检测的方法是,首先利用改进的径向基神经网络(Radial basis function network, RBFN)对系统的输出进行预测。根据RBFN的逼近特性可知,RBFN的预测值是逼近系统输出的真实值的。因此该预测值与真实值之差可视为系统的白噪声,应满足正态分布。利用隐马尔可夫模型(Hidden markov model, HMM)对该差值进行检测,判断样本点是否为野点。对于检测出的野点用RBFN的输出进行代替。对处理后的数据进行动态PLS建模。仿真实验表明,该野点检测方法具有较高的野点检测能力。经该方法处理后,动态PLS的建模结果具有更高的鲁棒性。由于动态PLS对数据的压缩和迭代建模机制,其模型会与实际过程存在偏差,这会导致PLS模型的不完全解耦。为抑制由于这种耦合而造成的回路间的扰动,提出一种动态PLS框架下的抗扰动广义预测控制(Generalized predictive control, GPC)方法。该方法将潜变量空间中的多个单输入单输出(Single-input single-output, SISO)子系统作为一种特殊结构的多输入多输出(Multi-input multi-output, MIMO)系统进行控制律的求解。将目标函数中输出跟踪误差的权重重组为根据模型预测值与参考轨迹之间的偏差实时调整的形式,以达到抑制由耦合而造成回路之间扰动的目的。权重调整的基本原则是,每个输出的预测值跟踪参考轨迹的权重由其它回路输出在同时刻偏离其参考轨迹的误差平方加权和构成。两个仿真实验的结果表明,该方法能够起到抑制由耦合而造成的扰动的目的。提出一种将基于状态空间模型的预测控制引入到动态PLS框架下的控制方法。但动态PLS的自动解耦和降维的特点容易导致模型与实际系统的失配,这种MPC方法在控制中引入的是系统状态反馈而不是输出反馈,故容易造成控制系统的静差。为解决这一问题,提出了两种将系统的输出作为反馈纳入到控制器的方法。一种是将状态空间模型改写成增量形式,另一种方法是在状态空间模型中引入扰动模型,并利用观测器对系统的状态进行估计。这两种方法的有效性通过Jerome-Ray的精馏塔模型和聚乙烯反应过程的仿真得以验证。提出一种非线性系统的动态PLS无静差MPC控制方法。首先将动态T-S模糊模型引入到PLS的内模型中来描述系统的非线性动态特性。对于所建立的潜变量空间T-S模糊模型分别设计了无静差MPC控制器,该控制器通过引入扰动模型和观测器的方法保证系统的无静差跟踪性能。在PH中和滴定过程中对该方法进行了仿真实验,结果表明该方法能够使系统的输出无静差的跟踪设定值。