工业机器人(机械手)在世界工业生产中占据着非常重要的位置,对其关节轨迹的跟踪控制一直是研究的热点。但机械手是一种多输入多输出系统,具有非线性,强耦合等特性,所以在高精度、高速度的轨迹跟踪中,开发出高性能的控制算法是一项重大的挑战。径向基函数(RBF)神经网络具有高度的非线性映射能力,本文对RBF神经网络的结构特点、学习算法以及在机械手控制中的应用进行了全面的分析,并将RBF神经网络的非线性逼近特性进行了理论验证。详细分析了机械手系统的基本结构,采用拉格朗日-欧拉法推导了二自由度串联机械手的动力学方程,分析了惯量特性、哥氏力和向心力特性、重力矩特性。在MATLAB中建立了基于S函数的机械臂非线性系统模型,并将动力学模型转化为二阶微分方程的形式,以便所设计算法的引入。若机械手系统不存在外部干扰,且动力学方程的重力项精确已知,传统PD控制即可获得理想的跟踪效果。但完全不受外力,没有任何干扰的系统是不存在的。针对此问题,设计了一种新的具有外界干扰和不确定性机械手定点跟踪控制策略:基于传统PD控制,引入RBF神经网络实现了对机械手重力项的补偿,并采用一个鲁棒控制项,用于克服神经网络的逼近误差,运用李雅普诺夫方法对其进行了稳定性分析。针对一个双关节刚性机械手进行了轨迹跟踪仿真,仿真结果显示了该控制算法收敛速度,跟踪精度,抗干扰等方面都具有较强的适应性。分析了滑模变结构控制在机械手中的优缺点,单独的滑模控制在机械手力矩的输出上会出现抖动,造成轨迹跟踪的偏差。针对此问题,设计了一种基于径向基函数神经网络(RBFNN)的自适应滑模控制器。其中滑模变结构控制用来克服扰动以保证系统稳定,RBFNN通过自学习能力克服系统不确定性以减小切换增益。将滑模函数作为网络的输入,切换项增益作为网络输出,实现了切换项增益的自适应调节。通过MATLAB软件分别对两自由度、空间三自由度刚性机械手进行了仿真,其结果表明,在存在模型误差和外部扰动的情况下,本算法既能达到高精度快速跟踪的目的,又能有效消除滑模控制的抖动。