在不少工业过程尤其是化工过程中，所碰到的被控对象往往没有成熟的理化机理模型来描述过程的动态特性，亦或是此类过程机理过于复杂而导致建立一个能够真实反映系统行为的微分方程组变得不现实。故而对这类被控对象来说，仅仅依靠被控对象的输入输出数据来建立黑箱模型是一种较为可行的做法。相关向量回归是一种在Bayesian 推理框架下的、概率型的、具有稀疏性的黑箱建模方法。　　 本文主要研究该建模方法的改进方法及其在预测控制中的应用，所涉及到的主要创新点包括：⑴提出了一种带有线性模型补偿的最小二乘相关向量回归（LS-RVR)建模方法，该算法在所用建模数据不能理想地覆盖整个模型空间时表现出了较好的模型预测能力。同时，该方法还具有与径向基函数神经网络（RBF-ANN)和未经补偿的相关向量回归（RVR）相同量级的稀疏性与建模时间，这一点远优于支持向量机（SVM）。另一方面，就建模精度来说，LS-RVR 也以极小的计算量代价换取了较之RVR更优的模型精度。⑵针对一类具有时变特性的被控对象提出了一种能够在线更新的自适应RVR 建模方法，较之已有文献中基于数据窗的更新算法，该方法具有更优的模型跟踪性能。在此基础上，本文还进一步提出了基于字典序优化的改进方案，将原问题中空间的优化问题转化成了一维寻优问题，从而在一定程度上降低了计算量。⑶针对基于FFRLS模型的预测控制策略提出了一种带有模糊补偿机制的改进策略，进一步改善了控制效果。⑷将RVR及其改进的建模方法应用到了pH值控制系统中，并通过仿真进一步验证了这些算法的有效性。