1.一种HCCI发动机进气门关闭时刻混合气温度的观测方法，其特征在于，以发动机进气门关闭时刻为循环的起始时刻，将该时刻混合气温度Tivc和排气歧管温度Texh作为系统的状态量，并以曲轴相位θivo作为系统的输入量，建立非仿射非线性离散模型，确定Tivc与Texh的关系；根据检测的状态量Texh及其估计值 的误差与龙伯格参数的乘积计算龙伯格项，建立添加龙伯格项的高阶递归神经网络观测方程，对混合气温度Tivc进行观测，获得混合气温度的估计值；利用排气歧管温度估计值与实际值的误差对每个循环中高阶递归神经网络观测方程的权重进行训练，获得最优权重，根据最优权重获得精确的发动机进气门关闭时刻混合气温度Tivc；

所述非仿射非线性离散模型具体为：

y(k)＝Texh(k)＝C(Texh(k),Tivc(k))T，其中，f1和f2均为非线性函数，C＝(1 0)；d1(k)、d2(k)分别为系统的外部有界干扰，Texh(k)表示第k次发动机循环时排气歧管的温度，而Texh(k+1)表示第k+1次发动机循环时排气歧管的温度，Tivc(k)为第k次发动机循环时混合气温度,Tivc(k+1)为第k+1次发动机循环时混合气温度，θivo(k)为第k次发动机循环时曲轴角度，T为矩阵转置；

所述最优权重是，根据公式： 对权重进行训练获得

第k+1次权向量的预测值作为最优权重，其中，wi(k|k-1)为通过第k次权向量的预测值，ηi为可调整卡尔曼增益参数，Gi(k)为Kalman增益矩阵。

2.根据权利要求1所述的观测方法，其特征在于，所述建立添加龙伯格项的高阶递归神经网络观测方程具体为：确定Texh(k)与其估计值 的误差 由龙伯格参数Li与误差 相乘获得龙伯格项 建立高阶递归神经网络观测方程：对混合气温度Tivc进行

观测，其中， 为Tivc(k)的估计值， 为Texh的估计值，wi权重系数，

为非负整数。