多自由度机械臂是机器人的重要组成部分,在人类的生产生活中具有广泛的应用。本文以机械臂运动学、动力学等为基础,重点对机械臂逆运动学求解问题及轨迹跟踪问题进行了研究。并以六自由度机械臂为例,对其运动学、动力学及轨迹规划进行用了仿真。对于机械臂逆运动学的求解,可以通过遗传算法或者BP算法来训练神经网络的权值,从而得到问题的解。但这些方法在求解精度和收敛速度上有待进一步的改进。本文通过RBF神经网络与免疫系统存在相似性,采用人工免疫原理对RBF神经网络训练数据集的泛化能力,动态调整神经网络隐层结构。并采用递推最小二乘法确定网络连接权值。由此实现对神经网络的网络结构和连接权进行自适应调整和学习。仿真结果表明用免疫原理训练的神经网络收敛速度快,泛化能力强,可提高机械臂逆运动学求解精度。轨迹跟踪问题作为机器人控制学中的一个重要方面,在控制系统运行过程中,存在系统误差、信号检测误差、高频特性及关节摩擦等不确定因素。常规的传统的基于对象的控制方法很难精确的控制运动轨迹。同时无法获得令人满意的控制性能。本文利用RBF神经网络函数与模糊系统的相似性,将模糊控制与神经网络相结合,采用RBF模糊神经网络对机械臂进行控制。通过模糊控制对RBF神经网络各参数及结构进行调整,同时采用最近邻聚类算法对模糊规则库的进行更新,优化神经网络隐层神经元的数目。从而达到自适应调整控制器参数和结构的目的,并加快网络训练速度。仿真结果表明,该算法与传统的神经网络算法相比具有较好的性能,学习速度快,跟踪精度高,并具有良好的控制性能和自学习能力。最后本文以Puma 560为例,对六自由度机械臂的正运动学、逆运动学、正动力学、逆运动力学以及轨迹规划进行了系统的分析,并得到相应的仿真结果。