本文针对具有高度非线性、强耦合性和参数不确定性的多自由度机械臂系统,研究其轨迹跟踪控制问题。首先对Denso VP6242机械臂的数学模型进行分析:采用标准D-H方法建立机械臂的正运动学模型,采用代数法建立机械臂的逆运动学模型,并将由逆运动学模型反解出的关节角度带入到正运动学模型,仿真数据表明逆运动学模型的精度可达10-16;根据拉格朗日方程建立机械臂的动力学模型,为后续控制方法的仿真验证提供控制对象。针对多自由度机械臂的轨迹跟踪控制问题,考虑到滑模控制方法对系统模型信息的依赖,以及系统的不确定性和外部干扰对系统控制性能的影响,提出了一种基于时延估计的神经网络终端滑模控制方法。该方法采用时延估计方法对机械臂系统的模型信息和外部干扰等进行估计,将机械臂的动力学模型简化为一个局部模型,使控制器设计不再依赖机械臂的动力学模型;接下来采用非奇异终端滑模面和变系数的快速幂次趋近律设计滑模控制器,使系统能在有限时间内收敛到平衡点;并设计自适应神经网络以及网络逼近误差的自适应项来补偿时延估计误差,提高了系统的控制精度和抗干扰能力,实现无模型控制。仿真和实验数据表明该方法能够有效地提高机械臂控制系统的控制性能,增强对干扰的鲁棒性,削弱系统抖振。最后,本文证明了快速幂次趋近律本质上是一种二阶滑模,但当系统存在不确定性时,快速幂次趋近律不能发挥其二阶滑模特性。为了使快速幂次趋近律在多自由度机械臂系统中发挥二阶滑模特性,提出了一种基于滑模干扰观测器的二阶终端滑模控制方法。该方法在第三章简化的机械臂局部模型的基础上,采用非奇异终端滑模和快速幂次趋近律设计滑模控制器,并设计了一种新型的滑模干扰观测器使时延估计误差在有限时间内得到补偿;利用Lyapunov函数法证明该方法能够使系统的滑模变量及其导数在有限时间收敛到零,具有二阶滑模特性,且由于滑模干扰观测器的引入,该方法相比于其他二阶滑模方法具有更好的控制性能。仿真和实验结果表明,该方法能够有效地提高机械臂轨迹跟踪的收敛速度和跟踪精度,增强对干扰的鲁棒性。