非线性系统的神经网络自适应控制近年来已引起了人们越来越多的重视。机械手属于多输入多输出非线性系统。因此，本文着重研究了多输入多输出非线性系统的神经网络自适应控制问题。根据Lyapunov稳定性理论，推导了神经网络权值在线学习规律，保证了系统的全局稳定性，同时，为了消除或减小外部干扰以及神经网络逼近误差，在控制器设计时结合了鲁棒控制方法，使得系统具有一定的鲁棒性。并将此设计方法推广到机械手的神经网络自适应控制中，得到了机械手的神经网络稳定自适应控制理论方法。 论文主要工作如下： 1、研究了单输入单输出不确定非线性系统的神经网络自适应控制问题。基于反馈线性化理论，将神经网络和反馈线性化理论相结合，采用反馈线性化方法设计控制器，然后用神经网络逼近系统中的非线性函数，基于Lyapunov稳定性理论推导神经网络权值学习律。考虑到系统不确定性的存在，文中采用H∞控制方法设计补偿器，对网络逼近误差和外部干扰进行抑制，使得闭环系统渐进跟踪参考信号，并且跟踪误差满足一定的H∞性能指标。文中对神经网络H∞自适应控制的系统的稳定性、神经网络权值以及跟随误差收敛性都给出了证明。 2、在上述研究的基础上，对具有对象不确定性和外部干扰的多输入多输出非线性系统的神经网络H∞自适应控制问题进行了研究。类似单输入单输出不确定非线性系统的控制方法，系统标称模型已知时，神经网络用来学习系统中的不确定性；系统标称模型未知时，用神经网络来学习未知的非线性函数，采用H∞优化控制方法设计补偿器，使得系统渐进跟踪参考信号，并且跟踪误差满足一定的H∞性能指标。这部分的工作主要是单输入单输出情形的推广。 3、将上述神经网络稳定自适应控制算法推广应用到n自由度机械手的轨迹跟踪问题当中。针对计算力矩法对模型误差敏感，鲁棒性差的特点，文中将神经网络和计算力矩方法结合，首先根据标称模型设计计算力矩控制器，然后采用神经网络来学习系统中的不确定性，神经网络的输出作为补偿控制器。通过一个两自由度机械手的仿真实例，验证了控制算法的性能。仿真实验表明，采用此机械手轨迹跟踪自适应控制方案是可行的和有效的。