随着陆地资源的日趋减少和枯竭,海洋已然成为国际能源战略竞争的重中之重。作为探索海洋重要工具的水下机器人得到了空前的发展,但以螺旋桨为推进器的传统水下机器人具有效率低、灵活度差等缺点。为了解决传统推进器的不足,人们一直在积极探索高性能的新型推进方式。随着鱼类推进机理相关理论的提出,以及仿生学的快速发展,人们把注意力聚焦到了在推进效率、游动速度、机动性和稳定性方面均占优势的鱼类身上,仿生机器鱼应运而生。鱼类推进机理为仿生机器鱼运动学分析提供了理论基础及运动参数,而对机器鱼的各关节以及尾鳍运动学仿真分析可模拟真实鱼类的游动状态,这对提高机器鱼的推进效率具有理论指导作用。机器鱼在水下执行多目标点工作任务时,考虑到机器鱼的续航能力及时间限制,寻找出一条最优的水下工作路径显得非常重要。另外,机器鱼作为一个非常复杂的非线性系统,对其运动控制系统的设计是其能够稳定、安全和准确地完成大范围且复杂的水下工作任务的保障和前提。因此,设计具有更高控制精度和良好学习能力的运动控制系统对机器鱼自主性、适应性的提高有着积极意义。本文首先对机器鱼的各关节及尾鳍进行了运动分析并通过MATLAB软件编程仿真,仿真结果与真实鱼类游动状态相符,并得出了可产生较高推进效率的有利尾鳍击水角度。然后本文基于Hopfield网络对机器鱼水下多目标点的工作路径进行了优化,将路径优化目标函数形式改写成Hopfield网络的能量函数形式,并对能量函数形式进行了改进。此优化算法可明显缩短初始路径长度,网络可到达稳定状态,且迭代时间较短。最后,本文采用径向基函数(RBF)神经网络对机器鱼的六自由度动力学模型不确定项进行了自适应网络逼近,实现对机器鱼的轨迹跟踪控制。仿真取得的跟踪控制效果良好,水平面及垂直面轨迹跟踪曲线最终都能趋向于稳定。为获得更高的控制精度,本文接着设计了一款RBF网络自适应滑模控制器,仿真结果表明机器鱼的实际运动轨迹与设计的期望轨迹能够基本重合,实现了对系统更高精度的控制,并验证了RBF网络自适应滑模控制器的有效性。