在众多控制方法中,迭代学习控制是针对机械臂重复作业工作特性的一种有效的研究方法。然而针对非周期的外界扰动和不确定参数,传统的迭代学习控制仍有很大的局限性,比如:学习速度慢、收敛精度低、控制效果不佳等。因此,本文针对机械臂轨迹跟踪中存在的各种扰动和不确定参数等问题,采用迭代学习控制与其他智能控制方法相结合,解决传统的迭代学习控制方法应用在机械臂中所遇到的上述局限性。本文主要工作如下:（1）针对机械臂的建模问题。本文采用了D-H参数法,通过MATLAB仿真工具Simulink中的Robotics Tools机器人工具箱建立了双臂机器人Baxter的运动学模型,并根据D-H参数表和Baxter的运动学模型,采用Robotics Tools机器人工具箱创建了Baxter机器人的3D可视化工作空间。利用欧拉-拉格朗日法建立了机械臂的动力学模型,为搭建机械臂运动控制器仿真实验提供了理论支撑。（2）针对含部分未知动力学、不确定参数和外界扰动的机械臂在任务空间下执行重复作业的位置轨迹跟踪问题,提出了两个控制方案,第一个控制方案采用的是自适应迭代学习控制,它类似PD一样的反馈结构,将自适应控制与迭代学习结合设计轨迹跟踪控制器。第二个控制方案采用的是自适应迭代学习控制与神经网络相结合,在第一个方案基础之上加了RBF神经网路,在第二个控制方案中,自适应迭代学习控制是用来学习机械臂周期性的不确定部分,这些周期性的不确定部分归因于机械臂末端的重复运动,RBF神经网络用于逼近和补偿所有非周期的不确定部分。两个方案的控制器的稳定性和收敛性均通过基于Lyapunov的复合能量函数严格证明。仿真中将两个控制方案与经典文献和近几年参考文献中的控制方案进行了对比,仿真结果表明:自适应迭代学习控制与神经网络相结合能更好地实现机械臂位置轨迹跟踪,并且提高了机械臂系统的迭代学习速度和误差收敛精度。（3）针对含部分未知动力学、不确定参数和外界扰动的机械臂在任务空间下执行重复作业的位置轨迹跟踪问题,提出了融合非线性干扰观测器与自适应迭代学习控制的控制方案。该方案首先是把机械臂部分未建模动力学模型和外界干扰整体作为一个不确定项,然后采用非线性干扰观测器对不确定项进行逼近和补偿,并运用Lyapunov函数证明了干扰观测器的稳定性。最后在此基础之上采用自适应迭代学习控制来设计机械臂的控制器,仿真实验是在二连杆刚性机械臂进行验证,仿真结果表明:相比未加非线性干扰观测器补偿的控制方案,所提出的方案能使机械臂更好地实现位置轨迹跟踪。（4）针对含完全未知动力学、不确定参数和外界扰动的机械臂在任务空间下执行重复作业的位置轨迹跟踪问题,提出了基于模型整体逼近的机械臂神经网络自适应迭代学习控制方案。该方案首先是把机械臂动力学模型和外界干扰整体作为一个不确定项,然后采用神经网络对不确定项进行逼近和补偿,并在此基础之上采用自适应迭代学习控制作为机械臂的控制器,最后基于Lyapunov函数设计控制律对控制器参数进行实时调节。仿真实验是在二连杆刚性机械臂进行验证,仿真结果表明:所提出的方案能使机械臂很好地实现位置轨迹跟踪。