随着科技的进步,机械臂被广泛应用到工业生产、生活服务、医疗、航天航空等重要领域中。因此,机械臂在运行过程中的稳态性能和暂态性能需要达到更高的标准。在机械臂控制问题研究过程中,首先要建立系统的动力学模型。然而,针对机械臂系统建立的数学模型和实际模型之间必然存在建模误差。其次,在实际操作机械臂的过程中,机械臂系统往往会受到外界干扰。此外,机械臂系统在运行过程中也常常会受到一定约束条件的限制,比如输入约束,输出约束和状态约束等。因此,机械臂控制具有一定的挑战性,其控制算法的设计成为了当前研究热点之一,具有重大意义。针对带有系统约束条件限制的机械臂轨迹跟踪控制问题,需要使用约束控制方法来设计控制器,使得系统在不违反约束条件的情况下实现轨迹跟踪控制。障碍李雅普诺夫函数是目前解决系统中约束问题最常用的方法之一,其常被用来结合其它控制方法设计控制器实现系统轨迹跟踪控制。针对系统模型不确定对控制系统性能的影响,神经网络控制是最常用的解决方法之一。本文将带有系统约束和模型不确定的机械臂系统作为受控对象,基于障碍李雅普诺夫函数结合反步法和神经网络设计自适应控制器,在不违反约束条件的情况下实现机械臂轨迹跟踪控制。本文的主要工作如下:首先,基于拉格朗日动力学方程法来建立机械臂系统模型;然后,将系统模型不确定和系统约束考虑到系统模型中。为了保证带有系统模型不确定的机械臂系统能够在全状态约束条件下实现轨迹跟踪控制,本文分别利用传统对数型障碍李雅普诺夫函数和时变正切型障碍李雅普诺夫函数结合反步法和RBF神经网络设计自适应控制器。其中,本文设计的时变正切型障碍李雅普诺夫函数可以同时适用于有约束和无约束的机械臂轨迹跟踪控制,拓宽了传统对数型障碍李雅普诺夫函数的适用范围。针对带有系统模型不确定和全状态约束的机械臂固定时间轨迹跟踪控制问题,本文设计一种时变正割型障碍李雅普诺夫函数,使用该障碍李雅普诺夫函数结合反步法和RBF神经网络设计自适应固定时间控制器。在设计自适应固定时间控制器的作用下保证了系统全状态约束条件不被违反,并且使得系统跟踪误差在固定时间内收敛到零点附近的邻域内。为了使设计的控制器更加实用,本文将系统模型不确定,输入约束和全状态约束均考虑到机械臂控制器的设计当中。首先,设计双曲型障碍李雅普诺夫函数解决系统全状态约束问题。该双曲型障碍李雅普诺夫函数不仅可以同时适用于对称约束、非对称约束和无约束的系统控制,而且可以结合反步法设计控制器实现系统固定时间控制。然后,对常见输入约束类型中的非线性输入饱和约束进行逼近处理。接着,利用神经网络来逼近系统模型不确定和虚拟控制量导数,增强控制系统鲁棒性能,简化控制器设计。最后,基于李雅普诺夫稳定理论进行系统稳定性分析,并通过仿真验证所提方法的有效性,对仿真结果进行了分析。