1. 採用線性化方法
線性化方法是研究非線性系統的常規方法。將非線性系統局部線性化主要是爲了沿用線性系統中已有的成果，計算簡單，實時性好。對於非線性較強的系統，用單個線性化模型很難反映系統在大範圍內的動、靜態特性，控制品質甚至穩定性都難以保證。因此實際處理時，有以下三種線性化方法。
（1）將非線性機理模型在每個採樣點附近線性化，然後對線性化的模型採用線性的預測控制算法，其特點是在每個採樣時刻都採用新的模型，能儘量減小線性化帶來的誤差。但是頻繁的在線更換模型會導致需要反覆計算相關矩陣參數，計算量加大，且不利於離線對控制器的參數進行優化設計。
（2）多模型方法。顧名思義，就是引入區間近似的思想，用多個線性化的模型來描述同一個非線性的對象。多模型方法的優點在於可以離線的計算大部分控制參數，難點則是如何確定模型切換的時機以及保證模型切換時的平穩性。
（3）反饋線性化（即就是 I/O 擴展線性化）的方法，即對非線性系統引入非線性反饋補償律，使非線性系統對虛擬控制輸入量實現線性化，便可以使用線性的 MPC方法。也有許多非線性系統不滿足反饋線性化的條件，使其應用受到限制。
2. 利用各種特殊模型
常用的非線性模型包括 volterra 模型、Hammerstein 模型、Wiener 模型等。volterra模型爲非線性對象的廣義脈衝響應模型，可以描述一類非線性對象的輸入輸出特性，實際應用中常採用正、負和雙階躍響應法建立系統的 volterra 模型。Hammerstein 模型和 Wiener 模型都是由一個非線性的靜態子系統和一個線性的動態子系統串聯而成，二者的區別是串聯的順序不同。
關於特殊模型較詳細的信息可以參見我的另一篇博文：MPC中常用到的非線性模型
3. 基於神經網絡的預測控制
神經網絡以其分佈式存儲、並行處理、良好的魯棒性、自適應性、自學習性，在控制界具有廣闊的應用前景。由於神經網絡能夠以良好的精度逼近非線性函數，且基於神經網絡的建模方法具有普遍性，因此在非線性預測控制中受到重視，相關的研究成果也比較多。
關於採用神經網絡的預測控制，存在的困難也比較多，主要是還不能有效地進行多步預測，而通常來說多步預測的控制效果要明顯優於單步預測。儘管將多個神經網絡串聯可以得到多步的輸出預測，但這樣會增加控制器的複雜程度，直接影響控制量的求解。同時，如果需要在線進行模型辨識，那麼在線的網絡訓練需要較長的時間，控制的實時性變差。