随着机器人技术的发展，柔性机械臂的研究日益受到重视，但由于存在建模和测量不精确、负载变化以及外部扰动等不确定性，其控制方法是关键。本文将模糊控制、神经网络等智能控制方法融入到柔性机械臂非线性系统的控制中，与经典的控制算法相结合，能有效克服不确定性带来的影响，因此柔性机械臂的智能控制方法研究具有十分重要的理论和实践意义。主要内容如下：： ⑴充分调研了国内外平面柔性机械臂的建模及智能控制方法，分析了平面双连杆、单连杆柔性机械臂动力学模型，以后者为仿真对象，利用Matlab Simulink工具箱建立了模型仿真平台，并且做了较多的仿真验证工作，结果表明数学模型是合理有效的。 ⑵为使控制系统在负载变化时仍能快速准确地跟踪期望轨迹，基于奇异摄动方法将柔性机械臂动力学模型分解为慢、快变子系统，提出对于慢变子系统采用模糊神经、PD控制相结合的控制方法，对于快变子系统采用模糊神经、最优控制相结合的控制方法。当负载变化时，采用模糊神经控制器根据实际负载对PD参数及最优控制参数进行调整，比传统方法采用PD控制和最优控制组合达到更优的控制效果，仿真实验结果证明了算法的可行性。文中也给出了慢、快变子系统模糊神经控制器在变负载条件下训练参数的获取方法。 ⑶针对柔性机械臂的卡尔曼滤波模型带来的模型线性化损失及复杂环境下噪声的不确定性，将适用于强非线性、非高斯场合的粒子滤波方法应用到机械臂的状态估计中。以双连杆柔性机械臂为对象，将末端位置和关节角度作为观测量，在噪声不确定环境下做了仿真实验并比较了两种方法对末端位置的估计精度，结果表明粒子滤波精度更高。 ⑷以单连杆柔性臂的奇异摄动和混合控制方法为基础，设计了采用粒子滤波训练神经网络控制器来控制慢子系统的方法，克服了BP算法易陷入局部极小值的缺陷、扩展卡尔曼滤波带来的模型线性化损失。对于快变系统采用最优控制。仿真结果表明了粒子滤波在神经网络训练误差、收敛速度，及组合控制对末端的控制精度方面都要比BP及卡尔曼滤波要好。