近年来,随着科学技术的发展,工业机械手控制取得了显著的进步。多关节机械手不仅在工业领域获得了广泛的应用,而且越来越多渗透到其它领域。而机械手最重要、最核心的部分则是其控制系统,它直接影响着机械手的整体性能与先进程度。从控制理论的角度来看,操作机械手系统具有严重的非线性和不确定性,加之机械臂各个关节存在相互耦合性,这种耦合关系使得机械手呈现出严重的非线性特性,因而很难获得精确的数学模型,加之外界的扰动以及模型自身所带来的不确定性的影响,从而使得多关节机械力臂运动控制的有效性大大降低。本文首先介绍了双关节机械手的鲁棒控制和自适应模糊反演控制,并分别对这两种控制设计控制器以及进行仿真研究,通过实验结果可以看到鲁棒控制虽然能够保证系统的稳定性,但对双关节机械臂的轨迹跟踪很难获得良好的暂态性能。同样,自适应模糊反演控制虽然在一定程度上能够改善双关节机械臂对位置跟踪的动态特性,但对于机械臂的速度和加速度轨迹跟踪的控制效果很差。鉴于鲁棒控制和自适应模糊反演控制不能获得双关节机械手轨迹跟的良好的暂态性能,本文采用神经网络鲁棒控制,通过给定期望轨迹,由神经网络的学习能力在线辨识和实时逼近整个控制系统的不确定性,然后根据李雅普诺夫稳定性定理来设计网络的学习算法和鲁棒控制器,最后由鲁棒控制器来消除网络的逼近误差,这就解决了鲁棒控的局限性。由于鲁棒控制很难对系统的不确定性进行预期假设以及获取不确定性的上界值,当系统的不确定性超出预期假设时,鲁棒控制系统将会发散,甚至崩溃。因此,采用神经网络的鲁棒控制可避免对系统不确定性的复杂计算,大大降低系统的不确定性,提高系统的暂态性能,能够对双关节机械手的位置、速度和加速度进行较好的轨迹跟踪控制。