近年来,我国工业自动化技术获得了突飞猛进的发展,以机器人为核心的自动化生产线得到了众多的认可。但传统的工业机器人关节与连杆均由刚性材料加工而成,其自身的重量会对机器人的性能产生影响。相比之下,柔性关节机器人以其质量轻与能耗低等优点在工业生产中得到越来越广泛的应用。另一方面,随着人工智能时代的到来,具有关节柔顺特性的人机安全型机器人逐渐成为研究热点。因此,本文针对柔性关节机器人的动力学参数辨识与控制器设计两方面展开研究,论文主要研究工作如下:首先,对柔性关节机器人进行了动力学分析,在Spong提出的柔性关节机器人简化模型的基础上,利用Lagrange方程建立了柔性关节机器人的动力学模型,为后文参数辨识与控制器设计奠定基础。其次,针对柔性关节机器人参数辨识问题,根据先验模型推导出相应的辨识方程,确定需要辨识的参数。考虑到传统最小二乘法对非线性系统辨识效果较差的问题,采用智能算法辨识策略,并提出了一种遗传算法与粒子群算法结合的自适应粒子群遗传算法(Adaptive Particle Swarm Optimization-Genetic Algorithm,简称APSO-GA),避免了传统粒子群算法易陷入局部最优解的问题,进一步提高了辨识精度。仿真结果表明,与传统的人工蜂群算法、遗传算法与粒子群算法进行对比,APSO-GA具有更高的辨识精度。进而,针对柔性关节机器人轨迹跟踪控制问题,设计了一种固定时间滑模干扰观测器(Fixed-Time Sliding Mode Disturbance Observer,简称FTSMDO),从而实现在固定时间内对干扰的准确估计。结合动态面的方法,避免了传统反演控制中的“微分爆炸”问题,并针对每一阶子系统设计固定时间控制器,使得柔性关节机器人在任意初始状态下,仍然能够在固定时间内完成轨迹跟踪任务。仿真验证了控制器的有效性。最后,针对柔性关节机器人工作中存在参数不确定与执行机构饱和约束的问题,设计了一种抗饱和自适应神经网络滑模控制器(Anti-Windup Adaptive Neural Network Sliding Mode Control,简称AWANNSMC)。首先采用反馈线性化方法,通过适当的状态变换,对柔性关节机器人模型进行线性化处理。针对线性化处理后的模型设计了自适应神经网络滑模控制器,利用RBF神经网络对未知项进行整体在线逼近,并在控制器中进行补偿。针对饱和约束问题,在控制器中加入饱和项,使得柔性关节机器人在模型参数完全未知且输入受限的情况下仍然能够很好地完成轨迹跟踪控制。仿真结果验证了该控制器的有效性。