燃料电池发动机系统具有时变性、滞后性、不确定性、强耦合和强非线性，这些复杂特性为燃料电池发动机的控制增加了难度。为了提高燃料电池发动机系统的动态响应能力、运行性能和稳定性，针对目前现有的燃料电池模型多为组件或单电池模型、缺乏结合辅助设备建立的系统级模型、控制参数单一等特点，本文从系统的角度出发，把燃料电池堆和辅助系统结合起来，设计了燃料电池发动机系统，建立了燃料电池发动机神经网络模型，并设计燃料电池发动机系统预测控制器。本文的主要研究成果如下： 对质子交换膜燃料电池发动机系统组成结构进行了研究和设计。提出了一种基于多层CAN网络的分布式燃料电池发动机控制系统结构，将系统任务进行模块化分配。这种控制结构能够减轻主控制器的运算开销，提高系统的运行效率，同时便于系统的维护和扩展。 在分析已有的质子交换膜燃料电池模型基础上，结合燃料电池电堆和各辅助系统，建立了燃料电池发动机各子系统模型；在此基础上，提出了一种燃料电池发动机系统级的综合动态模型，并仿真分析了操作条件对燃料电池发动机动态性能的影响。 从系统的角度出发，提出了基于Elman神经网络的燃料电池发动机系统模型。并利用该模型进行动态特性研究。仿真结果表明神经网络输出与实验输出吻合，验证了所建立的Elman神经网络模型能较好的逼近实际的燃料电池发动机系统，为燃料电池发动机系统预测控制提供了较为准确的数学模型。 对燃料电池发动机系统的优化控制策略进行了研究，提出了一种基于双神经网络的燃料电池发动机预测控制策略，采用基于神经网络的PID自适应控制算法，并采用模糊推理的方法对因模型失配而造成的控制量偏差进行补偿。仿真结果表明该控制策略能对燃料电池发动机进行有效控制。