无论是实际控制系统的控制器设计还是控制理论的研究,都必须对控制系统进行建模。由于实际系统通常都是运行在不断变化的环境中,因此存在不确定性。要科学系统地处理系统的不确定性,就必须将其纳入到系统模型中去。对于不确定系统,其测量和建模等引入的误差通常未知但有界限,即认为误差处于一个区间界限中,称这类问题为有界误差问题。研究有界误差问题的建模方法对实际控制系统的分析具有重要意义。本文主要研究一种基于区间神经网络参数优化的有界误差建模方法。该方法将传统的神经网络与区间分析理论结合,构造出一种权值和阈值均为区间数的区间神经网络来完成有界误差问题的建模。由于神经网的学习过程就是参数优化的过程,而传统的梯度下降法易陷入局部最优,故本文提出一种区间粒子群优化算法作为区间神经网络的学习方法。所提算法包含单目标和多目标两种,分别对误差界已知和未知两种情况建模。本文将所提方法应用于各种控制系统建模中,结果表明对于误差界已知问题,单目标建模方法有良好的拟合效果;而对于误差界未知问题,多目标建模方法有良好的拟合效果。此外,所构建网络均有良好的动态特性。本文的主要工作如下:（1）介绍区间分析理论、点值粒子群优化方法、神经网络基本原理、有界误差问题以及基于该类问题的建模方法研究现状。（2）提出一种单目标区间粒子群优化算法,基于该方法对区间神经网络进行离线学习,实现对不确定系统的有界误差建模。通过数值仿真实验发现该方法在误差界已知时拟合效果良好,而在误差界未知时则不能实现预测输出区间包含实际输出点值。（3）提出一种多目标区间粒子群优化算法,其中包括区间非劣解集的选择和排序、个体历史最优位置和全局最优位置的选择、粒子变异、基于Pareto前沿选择最优值等方法。基于所提出的多目标算法训练区间神经网,从而完成建模。通过数值仿真实验发现该方法在误差界已知时建立的模型拟合效果不如单目标方法,但在误差界未知时建模效果很好,弥补了基于单目标区间粒子群优化算法的区间神经网络建模方法的不足。（4）将所提出方法应用于线性和非线性系统的有界误差建模中,仿真结果表明单目标方法能实现误差界已知问题的建模,而多目标方法能实现对误差界未知问题的建模。此外,构建的区间神经网均有良好的动态特性。