近年来,机器人产业发展迅速,其在工业生产以及社会生活中都得到广泛应用。而拥有较强非线性的机械臂系统的控制问题也成为一个热点。本文基于非线性系统,将高斯过程回归的数据驱动方法、非线性系统的反馈线性化方法、事件触发机制以及机械臂轨迹跟踪控制相结合进行了研究。论文的主要内容如下:（1）针对非线性系统无法精确得到其模型的情况,引入数据驱动的方法,利用高斯过程回归对系统进行辨识,并对大数据样本下高斯过程回归计算量大的问题,引入了稀疏高斯过程回归,进行了在线化。高斯过程回归是一种非参数的模型,其预测输出具有概率特性,能预测输出的不确定性,在非线性问题中有着广泛应用。因此采用了诱导点输入的算法,对高斯过程的预测阶段进行了稀疏化,很大程度上减少了预测的计算量。其次对于训练过程,研究了其稀疏化的FITC算法以及更加灵活的PITC算法,减少了训练的计算量。最后,针对实际应用中,数据是不断在线积累的情况,分析了在线情况下的稀疏高斯过程回归。（2）针对稀疏高斯过程回归对系统进行辨识时,系统为复合结构时,无法分辨测量数据是否来自控制输入的影响的问题,设计了一个组合核函数。即系统方程为两个函数与控制输入的复合结构,因此无法获得两个独立的未知函数的单独测量时,通过分析高斯过程和的结构,设计一个可以表示系统结构情况的组合核函数,使得在仅能获得两个未知函数的和的情况下,依然可以获得单独的两个函数的估计。（3）在使用高斯过程回归辨识获得系统参数的基础上,设计了反馈控制律,对非线性系统进行了反馈线性化,从而可以用线性控制理论中技术来控制实际非线性系统。并针对外界环境因素或者系统本身运行老化等问题导致的模型变化,以致系统运行不稳定的问题,提出了基于事件触发的模型更新,仅在估计模型的精度不足,系统稳定性受到影响时,对模型进行在线更新,相比传统的时间触发更新,不仅在计算量上大大降低,同时更加能保证系统的稳定性。（4）针对一个复杂的机械臂系统,在前述算法的基础上,利用高斯过程回归进行系统辨识后,对于多输入多输出的机械臂系统的高斯过程回归系统辨识问题,在高斯过程天然支持多输入的基础上,引入了考虑不同输出之间相关性的多输出高斯过程,同时采用事件触发的反馈线性化对系统进行线性化,并设计了相应的线性控制器,最终实现对机械臂的轨迹跟踪控制。