机械臂作为机器人中使用最广的执行机构,常用于抓取、搬运等机械式的工作任务中。在这些任务中经常需要机械臂的末端部件在任务空间中跟随一些期望的轨迹。但是由于机械臂存在的高度非线性和强耦合,给机械臂的跟踪控制带来很大的挑战。随着非线性控制理论的发展,神经网络控制、模糊控制等智能算法能够很好地处理系统未知非线性,给机械臂系统控制提供了新的可能性,并取得一定的研究成果。虽然神经网络具备逼近未知非线性能力,但是当神经网络节点个数非常多时,需要消耗大量的在线调节时间和资源。对于一些重复机械的任务而言,每次开机都要重新调整神经网络权值,因此研究神经网络的学习能力,即从稳定的控制过程中获取、存储动态信息知识,具有重要意义。经典的控制方案只是定性地研究跟踪误差性能问题,即通过分析控制器中某些参数或者某些修正项与系统性能之间的关系,得到修改相关参数能够改善系统性能的结论,但是并没有定量的指标说明改善性能的程度。因此我们希望找到一种解决方案可以处理任意指定性能约束下的控制问题,将性能约束作为前提条件融合到控制方案设计中,而不是简单的从改善控制性能的角度去处理性能约束问题。本文主要研究存在未知非线性机械臂系统的轨迹跟踪控制问题,主要关注以下两点:(1)在满足指定性能约束前提下,实现跟踪控制任务;(2)研究神经网络从稳定控制过程中获取系统未知动态信息的能力。首先,对刚性机械臂进行动力学建模,并提出了一种基于输入状态稳定和小增益定理的自适应神经网络控制方法,从而解决未知仿射项引起的控制器奇异问题。随后研究满足指定性能约束下的刚性机械臂控制,通过引入一个误差转换的方法将原始的受限跟踪控制问题转换为一个等价的非受限稳定性问题,所提出的控制器确保跟踪误差收敛到零的小邻域内,同时满足指定的性能约束条件。在此基础上基于确定学习相关结论,通过验证回归向量的持续激励条件,从自适应控制中获得网络权值的收敛性。将学习到的动力学信息作为经验知识以常值神经网络权值的形式表示,并利用经验知识构造静态学习控制器,执行相同或相似控制任务,避免了重复的权值调整过程。此外我们也针对复杂的柔性关节机械臂系统,研究其满足性能约束下的学习控制问题,将控制方案进一步扩展。最后仿真研究说明所提出方案的有效性。