机器人系统的轨迹跟踪控制问题是控制领域中的一个重要的研究课题,实际的机器人系统在运行过程中总是会出现一些不可避免的外界干扰、非线性以及不确定性等因素,对机器人系统的控制精度、可靠性以及动态性能产生很大的影响。因此研究复杂环境下机器人控制系统的轨迹跟踪控制问题具有极其重要的理论意义和实际应用价值。神经网络具有联想记忆、非线性逼近以及自适应能力,是一种能够解决复杂不确定非线性机器人控制系统的跟踪控制问题的有效方法,也是贯穿本文各个部分的关键技术。鉴于此,本文在深入研究神经网络控制理论的基础上,对机器人系统中的神经网络智能控制技术开展了系统的研究。本文的主要工作如下:(1)研究了神经网络稳定性理论。基于M矩阵和Lyapunov稳定性理论,研究了一类不连续时滞T-S模糊Hopfield神经网络的动力学行为,得到一个使不连续时滞T-S模糊Hopfield神经网络在其不动点全局渐近稳定的准则。此外,研究了一类不连续CohenGrossberg神经网络鲁棒自适应控制方法,通过设计一个自适应控制器,确保了不连续Cohen-Grossberg神经网络在其平衡点的稳定性。通过仿真实验来证明所设计鲁棒自适应控制器的可控性和可行性。(2)研究了神经网络智能控制技术。针对一类时滞T-S模糊神经网络模型提出了一种鲁棒滑模控制方法。通过采用线性矩阵不等式技术,对一类模糊T-S时滞神经网络的滑模控制方法进行研究。本文设计的滑模控制器可以实现时滞T-S模糊神经网络的鲁棒渐近稳定性,基于Lyapunov稳定性理论证明了系统的稳定性以及跟踪误差渐近收敛于零。通过仿真实验分析,验证了所提出控制器的可靠性和鲁棒性。(3)针对一类带电机驱动的机器人控制系统,提出了一种鲁棒自适应神经网络控制方法。根据Lyapunov稳定性理论,专门设计了鲁棒自适应控制器,用以保证系统的鲁棒性和稳定性。通过采用反向推理法,首先给出一个期望的控制器,通过设计Lyapunov函数来保证系统的稳定性能,然后将期望控制器中的不确定项通过径向基函数神经网络来逼近,得到能使控制系统稳定的控制器。最后,通过仿真实验验证所得结果的鲁棒性和自适应性能。(4)提出了基于模糊神经网络的移动机器人自适应控制方法。通过整合应用模糊小脑神经网络和鲁棒自适应控制方法,实现对移动机器人系统准确的跟踪控制。基于Lyapunov稳定性理论,设计了鲁棒自适应模糊神经网络控制器,用以保证移动机器人系统的稳定性和鲁棒性。在控制器的设计过程中,使用模糊小脑神经网络来补偿移动机器人系统中的外部扰动和各种不确定性。通过Matlab软件对系统进行仿真实验,验证所设计控制器的有效性。(5)研究了不确定复杂环境下移动机器人的模糊滑模控制方法。通过联合自适应滑模控制和模糊高斯基函数神经网络方法,为移动机器人系统设计一个神经网络鲁棒自适应滑模控制器。通过Lyapunov稳定性理论验证了机器人控制系统的稳定性。针对系统的不确定性,使用模糊高斯基函数神经网络来进行逼近。通过数值仿真实验来验证所得结果,通过比较之前的鲁棒自适应控制结果表明,该控制方法是一种行之有效的控制方法,具有良好的性能和效果。