科学技术的持续进步和生产效率的不断提高对传统制造业提出了更高的要求,工业机器人也因此得到了广泛的应用。随着行业转型和升级,各行业对机器人的性能要求不断提升,工业机器人呈现出高速、高精度、轻质、大臂展等发展趋势,由此也引发了一系列新的问题,如机器人刚度的降低,使机器人的动力学控制难度增加,运动精度降低,甚至是产生剧烈的振动,也与现代机器人的高速、高精度要求背道而驰。诱发这一问题的主要原因就是机器人柔性的增加,而目前的串联工业机器人建模还多停留在多刚体动力学建模阶段,已不能满足现代机器人高精度控制的要求。为此,建立考虑机器人柔性等因素的动力学模型,并对机器人进行有效的跟踪和振动抑制具有重要意义。本文以XB7L型六自由度串联工业机器人为研究对象。首先,采用改进的D-H参数法建立了机器人的运动学模型,并进行仿真验证。考虑基于Spong模型的关节柔性和改进的Stribeck摩擦模型,采用拉格朗日方法建立了机器人的动力学模型,并对考虑前三关节柔性和摩擦的动力学方程进行了推导。在此基础之上,设计PD控制器,通过Simulink仿真分析了控制参数、关节刚度及摩擦模型对系统控制性能的影响,得到了比例微分系数和关节刚度对控制性能的影响规律,验证了采用改进Stribeck摩擦模型的优越性,并为后续控制方法的提出和对比分析奠定了基础。其次,针对传统控制策略无法对具有关节柔性和关节摩擦的机器人进行有效控制的问题,设计了模糊自适应控制器,提高了跟踪控制精度,但抖振控制效果不佳。为进一步对抖振进行有效的抑制,结合模糊逻辑控制和PD控制的优点,提出了一种改进的模糊自适应补偿PD控制策略,采用Lyapunov理论证明了控制策略的稳定性,通过与PD控制和模糊自适应控制的对比,验证了该控制策略在跟踪精度和抖振抑制方面的有效性和优越性。另外,鉴于基于模糊逻辑理论的控制器对抖振控制不佳的问题,结合对任意连续函数具有任意逼近精度的RBF神经网络,设计了自适应神经网络控制器,讨论了控制系统在鲁棒项和外界干扰变化时的稳定性问题,分析了自适应神经网络控制中不同自适应参数初始值和神经元个数对控制性能的影响规律。为降低初始参数对控制性能的影响,结合RBF神经网络和滑模控制,设计了直接和间接的自适应神经网络滑模控制器,采用Lyapunov理论证分析了系统的稳定性,通过仿真验证了控制器相较于自适应神经网络控制和PD控制的优越性。最后,为对具有强柔性的机器人系统进行有效的控制,采用对振动具有良好抑制效果且兼容性强的动态面方法设计控制器,分析第三个虚拟控制律参数对系统控制性能的影响规律。在此基础上,结合神经网络控制,设计了一种基于RBF神经网络的自适应动态面控制策略,通过Lyapunov理论证分析了系统的稳定性,并通过仿真验证了该控制策略对强柔性机器人系统具有良好的控制效果。