随着现代工业的快速发展,机器人的应用领域也越来越广泛。机械臂作为机器人的基础执行机构,常用于执行搬运物品或在空间中跟踪参考轨迹等任务。常见的机械臂有刚性机械臂和柔性机械臂。柔性关节机械臂比传统的刚性机械臂在反应速度、控制精度、负载自重比等方面具有显著优势,但其具有高度非线性和强耦合性,给控制器设计带来极大的挑战。一方面,由于在关节处引入了弹性动力学,使系统的阶次成倍增加,用传统的后推法进行控制器设计时,会由于重复求导而引发维数爆炸的问题。另一方面,运用神经网络逼近系统未知非线性动态时,需要对神经网络进行大量训练。那么,如何从稳定的柔性关节机械臂神经网络控制过程中获取和存储系统的未知动态知识,并在执行相同或相似任务时可以利用存储的经验知识,实现低能耗的高性能控制是本文要解决的另一难题。因此,研究柔性关节机械臂的神经网络控制与学习问题具有重要的理论意义和广泛的实际应用前景。本文的主要工作概述如下:首先,针对包含未知非线性动态的柔性关节机械臂系统,采用RBF神经网络逼近系统未知动态,结合动态面控制技术,设计神经网络控制器,从而解决维数爆炸问题,并能够确保使得跟踪误差收敛到零的小邻域内。基于确定学习理论,采用系统分解技术对稳态情况下的系统动态信息进行表达和存储,并利用经验知识构造学习控制器应用于相同或相似的控制任务,避免了重复训练,实现了高性能控制。随后,为了避免使用多个神经网络辨识系统未知动态,降低控制算法的计算量,采用系统转换方法,将含未知动态的柔性关节机械臂模型转换成规范系统。针对转换后的系统出现的部分状态不可测问题,设计高增益观测器对其进行观测。结合高增益观测器,设计神经网络控制器,实现系统的跟踪控制。在此基础上,利用确定学习理论,只需对一个系统动态信息进行表达、存储和再利用,构造神经网络学习控制器应用于相同或相似控制任务,避免了复杂的权值收敛验证过程,减少了计算量,提高了控制性能。最后,针对柔性关节机械臂系统中存在部分状态不可测的问题,首先设计了一个神经网络状态观测器对不可测状态进行观测,并验证了观测误差的收敛性。然后利用观测值代替系统不可测状态,结合RBF神经网络辨识系统未知动态,设计神经网络控制器,实现系统的跟踪控制,确保跟踪误差收敛到零的小邻域内。本文对所设计的控制方案分别进行了仿真研究,验证了理论成果的有效性。