机器人的建模与控制一直作为机器人研究中最重要的领域之一，工业、学术等各界都给予了高度重视。机器人的发展主要是控制技术的提升，机器人系统存在着非线性、强耦合、时变及其存在多种非确定因素的特点，很难对其建立精确的机理模型。NN(Neural Networks,神经网络)因其不依赖控制对象精确的数学模型的优良特性作为一种非线性系统辨识与控制方法，已经得到广泛的应用。ELM(Extreme Learning Machine,极限学习机)是近年提出的一种新型SLFN(Single-hidden Layer Feedforward Neural,单隐层前馈神经网络)，以其独特的网络结构训练算法具有极快的训练学习速度（比传统网络提高数千倍），有很强的逼近能力（若隐层节点足够多的时候可以逼近零误差），而且克服了传统网络训练算法复杂，容易陷入局部极小等问题，ELM网络可以很容易解决上述问题。将ELM网络应用到非线性系统的辨识与过程中，与传统的方法进行比较，实验仿真表明了该方法的有效性与实用性。本文研究内容包括如下几个方面：(1)对ELM网络的基本特性及学习算法进行了深入分析，给出了其离线及基于RLS(Recursive Least Square,递推最小二乘)法的OS-ELM(Online Sequential ExtremeLearning Machine,在线极限学习机)学习算法，研究了复杂的机器人拉格朗日动力学的数学模型分析和推导。(2)研究了包括NARMA(Nonliear Auto Regressive Moving Average,非线性自回归滑动平均)系统、多维非线性系统、液压驱动机器人臂、高尔夫机器人和7自由度SARCOS拟人机器人臂等系统辨识中的应用，针对所研究的系统存在单输入单输出、多输入多输出对ELM网络做了不同辨识网络结构设计。实验结果表明，在相同条件下，与RBF(RadialBasis Function,径向基函数)神经网络及SVM(Support Vector Machines,支持向量机)等方法比较，ELM网络不仅具有快速稳定的学习速度，而且辨识精确度也很高。(3)研究了ELM网络在控制中的应用。首先针对一个典型非线性系统进行轨迹跟踪控制；而后基于ELM网络设计了一个单机械臂的补偿控制器，用网络补偿实现位置跟踪；最后基于ELM在二自由度机械手轨迹跟踪控制中的应用，利用机械手不确定部分的逆模型设计了ELM控制器。实验仿真结果表明，与其他方法相比能够得到很小控制误差，轨迹跟踪效果非常好。