随着工业机器人应用范围越来越广,人们对机器人的运动精度也提出更高的要求。由于各种误差因素的影响,机器人理论位姿和实际位姿总是存在着一定的误差,这个误差严重影响着机器人应用的推广。标定技术是提高定位精度的常用手段。误差补偿是标定过程中的一个重要环节。本文围绕工业机器人的标定技术和误差补偿问题,以安川MOTOMAN-MH6型机器人为原型,主要进行了以下工作:基于DH和MDH方法,建立了MOTOMAN-MH6型的运动学模型。对影响机器人末端定位精度的因素进行分析,导出了误差计算模型。在MATLAB环境中完成了运动学仿真,为接下来的算法设计奠定了理论基础。针对测量过程中获取末端位置信息易,获得姿态难的问题,提出一种以建立线性方程组为目标的基于末端位置约束的标定方法。对系数矩阵的退化问题在理论上进行了详细的推导,为结构参数的选取提供了依据。设计了一种无需坐标系转换的十字型杆件标定法。在MATLAB中进行了仿真,验证了该算法的有效性。由于该算法只利用了末端的位置信息,无法做到结构参数的完全辨识。为了实现结构参数的完全辨识,提出了一种利用全位姿信息的遗传禁忌搜索算法(GTSA)。GTSA将参数辨识作为一个多参数优化问题,采用GA做全局搜索,TS做局部搜索。根据在MATLAB中仿真的结果,该算法是有效的。采用辨识出的参数更新运动学模型,即可实现对末端的误差补偿。不过,更新运动学模型后可能导致机器人构型不再满足Pieper准则,使得逆运动学的代数解不存在或非常繁琐。对于不能更新运动学参数的场景,提出一种基于神经网络的末端位姿预测和误差补偿算法。采用BP网络实现目标位姿到实际位姿的映射,解决位姿预测的问题。采用BP网络实现目标位姿到修正位姿的映射,使得实际位姿与目标位姿的误差距离尽可能小,解决误差补偿的问题。仿真表明,加上补偿环节后,平均末端位姿误差距离减少了61.54%,表明算法是有效的。