伺服控制多轴运动系统作为在多样化的自动化生产中主要的运动部件被广泛应用,为实现可在同一多轴运动系统完成多种不同的自动化任务,往往根据任务要求设计不同的末端执行器并将其安装在多轴运动系统的工作台或者末端上,由于轻量化的要求,末端执行器给系统引入不同程度的柔性环节,加上多轴运动系统传动系统内的柔性环节,在多轴运动系统高速作业过程中,不可避免地产生较大的振动。实际生产中为保证轨迹平稳运行与定位精确,一般选择降低轨迹在极限点（速度加速度突变的位置点）的速度加速度和等待振动自然衰减的方式,但这类方法会降低批量生产的效率,不符合高效高精度的自动化生产要求。因此抑制多轴运动系统在高速运行指定轨迹过程中经过极限点时过大的振动以及辅助行程高速定位急停段的残余振动,对于多轴运动系统在实际中的高效作业有着重要的研究意义。本文主要针对多轴运动系统运行高速轨迹过程中经过极限点产生过大振动的问题和多轴运动系统在急停时产生的振动问题进行研究,研究的主要内容有:工业上多轴运动系统的控制系统多为PD反馈控制器,在高速运行指定轨迹时,由于PD反馈控制固有的滞后性,在轨迹中极限点处必然会由于电机实际力矩不足产生振动。针对该问题,本文通过Lagrange法建立了多轴运动系统各轴的动力学模型,并设计了基于傅里叶级数的激励轨迹优化方法,基于实验法对动力学模型进行辨识。再分析了基于动力学模型的前馈+PD控制方法在多轴运动伺服控制系统上应用的全局渐近稳定性。多轴运动系统高速定位急停时,会由于系统柔性关节产生较大的残余振动,本文针对此问题,研究了一种后置自适应输入整形方法。后置自适应输入整形器由系统残余振动响应入手,基于递归最小二乘法优化得到最优的整形器系数向量。由于残余振动响应中存在不平稳噪声,为提高后置输入整形器的跟踪性能,研究了遗忘因子对于改善优化过程中跟踪性能的作用,并进一步研究了遗忘因子的自适应更新算法,将算法嵌入到递归最小二乘的迭代过程中,得到带自适应遗忘因子的后置自适应输入整形器。多轴运动系统在某些应用场景下,需要频繁更换运行轨迹。在此种情况下,每次更换轨迹应用后置自适应输入整形器重新计算整形轨迹耗时长,效率低。针对此问题,本文研究了基于多层神经网络模型的后置输入整形器,根据实际需求设计多层神经网络模型的结构及相关参数,选择合适的深度学习框架及学习算法对神经网络模型进行训练,并分析了训练得到的神经网络模型的泛化性能。最后选择三种具有典型意义的多轴运动系统作为实验平台,分别将本文提出的基于动力学模型的前馈抑振算法,基于递归最小二乘的后置自适应输入整形器,基于多层神经网络模型的后置输入整形器在三个平台上进行实验验证,实验结果证明了本文阐述的算法的有效性及可行性。