具有准确位置跟踪能力的移动机器人能应用在众多工业与生活领域中。移动机器人的移动能力可以将机器人的工作区间从固定工作台扩展到极大的区域,比一般机器人更适用于机动性、灵活性要求高的作业任务,可以代替人类从事危险、恶劣(有毒、有辐射等)环境下作业。当今的智能移动机器人,涵盖了传感器技术、信息处理、计算机工程、自动化控制和人工智能等多个学科领域,是机械电子工程最高成就的代表。移动机器人的轨迹跟踪问题是一类典型的,较为复杂的非完整控制系统,因此对移动机器人轨迹跟踪的智能控制问题的研究具有非常重要的应用意义。智能控制技术常用于解决一些带有不确定性的复杂系统控制问题,而这些问题是传统方法难以解决的。目前提出的智能控制技术,有只基于运动学模型的,也有结合动力学特性的。要实现移动机器人良好的跟踪效果,需要选取一个较优的速度输入计算模型,需要解决模型参数不准确和工作环境复杂多变带来的不确定性扰动问题,也需要提高现有控制精度和保证自适应系统的稳定性。针对上述问题,本文设计一种较优的实时自适应控制框架,实现移动机器人鲁棒地进行目标轨迹跟踪。首先关注受控系统的周期性,选择较优的速度计算模型,其次基于TSK神经网络尝试提出神经网络控制器与补偿控制器相结合的高效控制框架,再基于新框架研究改进神经网络控制器,考虑情感影响决策的因素,对现有的大脑情感学习(BEL)神经网络加以研究改进,提出可适应的模糊大脑情感学习神经网络(Adaptive Fuzzy Brain Emotion Learning,AF-BEL)、径向基函数的大脑情感学习神经网络(Radial Basis Function-Brain Emotion Learning,RBF-BEL)两种新神经网络。最后在移动机器人的仿真平台中,首先进行最优速度计算模型的选取实验,构建较优的控制框架,接着进行所提出的新方法高效性的验证实验。实验结果证实所提出学习方法的可行性,移动机器人的轨迹跟踪能力、抗扰动能力和鲁棒性都得到一定程度的提高。