近年来国家对航天工作的日益重视,航天技术的发展呈现良好的势头,相应的在轨服务需求也和航天器数量一样日益增长。在轨服务技术的进步有助于提高对空间环境的利用效率,同时在轨服务技术的军事战略意义也非常重大。空间机器人是空间在轨服务的主要承担者,其中空间机械臂是最为常用的空间机器人。空间机械臂在空间微重力环境下运行,易受各种干扰因素的影响,因此空间机械臂系统的动力学通常存在非线性、随时间变化等特点,导致空间机械臂系统的动力学建模和控制难以达到良好的效果。近年来人工智能技术飞速发展,研究者们提出了大量基于机器学习的动力学建模和控制算法,这些算法在地面机械臂的研究上取得了良好的效果。因此本文以空间机械臂为研究对象,采用基于机器学习的方法对其动力学建模和控制方法开展研究。重点研究了运用基于多模型的概率神经网络建模方法建立空间机械臂动力学模型以捕捉其动力学系统的不确定性;运用基于学习模型的模型预测控制（Model Predictive Control,MPC）算法对空间机械臂进行控制。文章完成的工作总结如下:首先,本文利用拉格朗日方法建立漂浮基座空间机械臂动力学模型,得到其动力学方程,并得到空间机械臂动力学特性可由各关节状态表征的结论。其次,将概率神经网络和多模型的思想分别用于捕捉空间机械臂系统的随机不确定性和认知不确定性,建立基于多模型的概率神经网络空间机械臂动力学模型,并研究其建模和预测方法。再次,运用基于学习模型的MPC方法,结合基于多模型的概率神经网络动力学模型,设计了空间机械臂的固定关节构型控制的控制策略,并采用交叉熵方法（Cross Entropy Method,CEM）优化控制。最后,在V-rep仿真环境中搭建空间机械臂仿真模型,获取训练和测试数据集,训练基于多模型的概率神经网络动力学模型及用于对比的其他动力学模型,对比分析模型的泛化能力。仿真验证了基于学习的MPC算法在空间机械臂控制任务中的可行性,并研究了采样方法等因素对控制效果的影响。仿真结果表明,基于多模型的概率神经网络动力学模型能较好的捕捉空间机械臂动力学系统的不确定性,具有良好的模型精度,特别是在长期预测上明显优于其他对比模型;基于学习模型的MPC算法在空间机械臂控制任务上表现出良好的控制效果,采用CEM采样、衰减奖励函数、适当提高备选动作序列数量等方法可优化控制效果。