轮式移动机器人系统是一种典型的多输入多输出的非完整约束动力学系统,同时也属于欠驱动非线性系统。一般的光滑反馈控制律无法应用于这样的系统,尤其在受负载变化、摩擦、外加干扰等不确定因素影响时,更难以找到一种通用的、效果较好的控制方法实现其运动控制。因此,不确定性非完整移动机器人系统的控制问题已经引起了国内外控制界的高度重视和广泛关注。本文对国内外关于非完整性轮式移动机器人运动控制方面的研究成果进行了深入的分析,总结了常用的方法及现存的问题,并在此基础上完成了非完整性轮式移动机器人的轨迹跟踪控制,并对基于轨迹跟踪拓展的机器人编队控制进行了研究。主要开展了以下工作：首先,全面地介绍了非完整约束及非完整动力学系统的概念,建立了典型的非完整轮式移动机器人的数学模型,描述了其基本的性质及运动控制形式。针对具有负载变化及外加干扰的非完整轮式移动机器人轨迹跟踪控制问题,进行了滑模控制设计,利用滑模控制克服机器人的参数与非参数不确定性；并在此基础上提出了非完整移动机器人的自适应模糊滑模动力学控制算法。其中,采用自适应分流运动学控制解决了由于大范围的初始位姿偏差变化而引起的速度跳变问题；同时,通过带有自适应调节算法的模糊控制来调节滑模控制的增益,增强了算法对随机不确定性的适应能力,并消除了滑模控制中的输入抖振现象。其次,进一步对无精确模型的非完整移动机器人的轨迹跟踪问题进行研究,基于径向基神经网络的万能逼近特性,将神经网络与滑模控制相结合,设计了一种双自适应神经滑模混合控制律,采用一个自适应神经网络逼近机器人系统的未建模部分,另一个自适应神经网络用来调节滑模开关控制的增益部分,达到消除抖振的同时实现了无精确模型的移动机器人精确的轨迹跟踪控制。再次,提出了一种基于遗传优化的机器人递归模糊神经滑模控制。采用分段自适应变异概率改进了实数编码遗传算法的变异操作,利用含此变异操作的遗传算法实现了运动学控制器参数的优化选取。通过所设计的多输入多输出的动态递归模糊神经网络对系统动态非线性不确定部分进行在线估计,使不确定性估计误差大大减小；通过与自适应鲁棒控制器结合应用,在克服移动机器人不确定性干扰、滑模控制消抖方面取得了很好的效果,保障了高精度的轨迹跟踪。最后,将对单机器人的轨迹跟踪扩展到对多非完整移动机器人的编队控制。根据Leader-follower的基本原理,同时考虑单机器人动力学及编队动力学二者的不确定性对编队控制的影响,分动力学不含与含有驱动器模型两种情况进行了控制器设计。针对前者,提出了一种基于神经网络的移动机器人编队自适应滑模控制,该方法采用径向基神经网络与滑模控制相结合的方式,既去除了滑模控制的抖振,也克服了单机器人及编队动力学不确定性对编队的干扰；针对后者含驱动器动力学的移动机器人编队自适应控制问题,通过Backstepping方法将含驱动器动力学的机器人动力学部分引入到控制中来,用RBF神经网络对编队中所存在的多种不确定性进行了建模,实现了含驱动器动力学的多非完整移动机器人的编队控制。