机器人运动控制的智能控制方法主要包括模糊控制、神经网络控制、变结构控制以及相互融合技术。这些智能控制方法在多自由度刚性机器人轨迹跟踪方面的应用是十分有效的，在实际应用中操作性能也是相当优秀的。在实际工程中，要得到机器人精确的数学模型是一件很困难的事情，因此，我们在建立机器人数学模型时，需要做合理的近似处理，而忽略一些不确定性因素，诸如参数误差、未建模动态、观测噪声和不确定性的外界干扰等等。然而这些不确定性的存在可能会引起控制系统品质的恶化，甚至成为系统不稳定的原因。因此，针对机器人轨迹跟踪，本文引入智能控制方法，使机器人满足高速高精度的要求。本论文首先介绍了适合不确定机器人实时控制需要的小脑模型联结控制器(Cerebella Model Articulation Controller)，简称CMAC。用CMAC网络来逼近机器人的不确定性函数。由于CMAC的泛化能力与存储容量之间的矛盾是不可忽视的，因此本文提出一种模糊CMAC方案解决了这个矛盾，并保证了系统的快速稳定性。其次，变结构控制因其不需要被控对象精确的数学模型和对参数变化以及噪声干扰的不敏感性，所以尤其适合于控制不确定的机器人系统，但是其控制的鲁棒性与抖振又是并存的，所以削弱抖振，并保证系统的稳定性是十分必要的。本文提出一种基于系统状态的模糊变结构控制方法，有效地削弱了抖振，同时又保证了机器人的轨迹跟踪精度。最后，考虑对机器人的参数不确定性和外界干扰分别进行补偿的控制策略，用神经网络智能控制方法逼近机器人参数不确定性函数，对于外界干扰和逼近误差，由于它们会使系统状态长时间到达不了稳定状态，为此本文分别采用两种控制方案代替传统的变结构控制方法，达到消除逼近误差，抑制外界干扰的目的。通过分析所设计控制器的稳定性、鲁棒性等品质指标，并且对同一个二自由度串联机器人计算机仿真，证明了本论文所提出控制方案的有效性和可行性。