中国制造业向着智能化、信息化方向发展,带动机械臂研发水平快速成长,使得机械臂运动控制问题逐渐成为研究热点。机械臂的核心部分是驱动机构和控制机构,由于物理元器件的局限性,死区、饱和、迟滞等输入约束问题不可避免地存在于这些机构之中,输入约束的存在不仅会影响机械臂系统工作性能,甚至造成系统不稳定;同时,出于安全、环保等方面考虑,以及提高机械臂系统暂态和稳态性能,实际应用对机械臂系统输出同样提出了约束要求。本文针对带有输入输出约束特性的机械臂系统,以反步递推控制和自适应神经网络控制理论为基础,设计了新的控制算法实现了机械臂系统在输入输出约束下的稳定运行,并通过MATLAB仿真进行了验证。本论文主要研究工作如下:首先,利用拉格朗日方程建立机械臂动力学模型,并介绍了其动力学特性。同时,详细给出了自适应控制、神经网络控制和反步递推控制等控制方法的设计思路,为后面章节控制算法的提出奠定理论基础。其次,针对带有未知Prandtl-Ishiskiili磁滞的不确定机械臂系统,基于递归控制方法提出了新的自适应神经网络预定性能控制算法。利用参数自适应方法在线逼近系统的未知磁滞非线性参数,并进一步利用神经网络控制在线逼近机械臂系统中的模型不确定项,保证机械臂系统渐近收敛的同时满足实际应用对系统超调量、收敛速度、收敛精度等暂稳态性能的要求。并利用李雅普诺夫函数证明系统的稳定性,通过仿真对控制器的有效性进行了验证。最后,针对带有执行器死区和饱和约束的不确定机械臂系统,提出了新的自适应神经网络全状态受限控制策略。通过引入Nussbaum增益函数,降低了机械臂系统中未知控制增益对系统性能的影响,进一步利用神经网络在线估计不确定输入约束项及系统不确定项。并基于定义的速度函数实现了系统误差的有限时间收敛。从而利用障碍李雅普诺夫函数实现了机械臂系统在输入和全状态约束下的渐近收敛;MATLAB仿真和Phantom Premium 1.5HF实验平台验证了所设计控制方法的有效性。