串番茄以其营养价值丰富和方便食用等特点,在果蔬市场深受消费者的喜爱。但是串番茄存在着在植株高处结出果实的情况导致串番茄采摘效率低下。研究采摘机器人可以有效地提高生产效率和降低生产成本,对实现农业机械自动化具有重大意义。本文以串番茄采摘机器人为对象对控制系统进行设计与研究,说明了粒子群算法优化的RBF神经网络控制具有优良的轨迹跟踪性能和卓越的稳定性。主要内容如下:（1）建立串番茄采摘机器人的模型。通过实地调研收集数据,设计了一款四自由度串联关节采摘机器人,并使用Solidoworks软件完成三维建模。采用三维模型的D-H参数法在Matlab中建立数学模型,通过仿真验证了运动学和动力学模型。采用五次多项式法对模拟采摘轨迹进行规划。为控制系统提供输入和被控对象。（2）建立RBF神经网络控制系统。针对采摘机器人在运动过程中模型的不确定性问题,利用RBF神经网络的非线性逼近等优点,采取一种基于梯度下降法的RBF神经网络的自适应控制方法。通过RBF神经网络对机器人系统不确定项逼近并进行补偿,使用梯度下降法实现RBF神经网络参数的在线优化,并针对这些问题设计了一种自适应律去调节控制,同时构造李雅普诺夫函数对控制系统进行稳定性分析。在Matlab仿真结果表明,所采用的RBF神经网络的自适应控制对串番茄采摘机器人模型的不确定项补偿具有很好的效果,对期望输出有较高的轨迹跟踪精度和较快的响应速度。（3）优化RBF神经网络控制系统。在基于梯度下降法的RBF神经网络的自适应控制输出中,出现了在初始时刻的轨迹跟踪误差较大和速度波动明显的情况,分析是梯度下降法的缺点造成的。引入了粒子群算法取代梯度下降法去训练网络,优化RBF神经网络的自适应控制系统。在Matlab仿真结果表明,粒子群算法优化RBF神经网络的自适应控制克服了RBF在初始时刻的轨迹跟踪误差较大和速度波动明显的缺点。