数控机床的性能是决定数控机床品质的主要因素之一,本论文根据数控机床的性能发展方向开展研究,主要研究工作分为如下三个方面:数控机床高精度控制中的摩擦补偿问题,数控机床智能化研究中的力控制研究,针对X-Y数控系统的控制软件编程及智能控制实验研究工作。摩擦环节的存在是导致系统性能恶化的主要因素之一,因此合理解决系统中存在的摩擦环节尤其是非线性摩擦环节的制约问题成为当前的研究热点。针对摩擦补偿研究主要完成两方面工作:基于摩擦模型的摩擦补偿和非模型的摩擦补偿。在基于摩擦模型的摩擦补偿中,选用具有代表性的静态指数模型和动态LuGre模型进行补偿研究,利用Backstepping方法,设计了摩擦补偿器,抑制了摩擦影响,并保证在模型参数发生变化时,仍然保持很好的补偿效果。摩擦是一种尚未解明的物理现象,很难获得准确的摩擦模型。非模型的补偿方法将摩擦作用视为外界扰动影响,利用鲁棒自适应控制策略将摩擦视为有界扰动,通过自适应律,不断学习不确定性上界,进而削弱摩擦等不确定性因素的影响。另一种方法是利用模糊系统不需要系统精确数学模型的优点,利用模糊系统逼近摩擦扰动作用,通过自适应模糊在线学习摩擦特性,根据相对速度有效估计摩擦力并加以补偿。使系统同时具有自适应在线学习和模糊非线性处理的能力,进一步提高系统品质。系统在加工过程中必然要与工件相接触,则必然有力产生,如果对这种作用力控制不当,不仅达不到控制要求,还可能使主轴刀具与工件间产生过强的碰撞而导致工件损坏,甚至还可能造成机床系统本身的损伤,因此,这时对作用力的控制是至关重要的。针对系统中存在不确定性情况下边缘跟踪力控制问题提出了三种控制方案:提出利用神经网络学习补偿系统不确定性因素的影响,力控制回路采用自适应模糊控制。当系统主轴刀具与刚度变化范围较大的工件接触时,具有适应能力。仿真结果表明该方案对力和位置的控制具有良好的鲁棒性和跟踪能力;提出自适应模糊与CMAC并行的力控制方法,CMAC神经网络控制器实现前馈控制,实现被控对象的逆动力学模型,自适应模糊控制器实现反馈控制,保证系统稳定性,且抑制扰动。这样使主轴刀具与工件接触时,具有较强的适应能力;提出一种基于模糊