近几十年来，国际上对机器人的控制问题进行了大量研究，尤其是机器人的力/位置控制问题吸引了许多学者和专家的注意。许多学者不断运用新的控制理论和方法，从不同的角度，对机器人的力/位置控制进行理论和实际应用上的尝试。然而，机器人本身是一种高度非线性、强耦合且含有诸多不确定性因素的对象，当机器人的末端执行器与外界环境接触时，工作环境接触刚度的不同对控制性能也有较大的影响，机器人的应用范围因而受到极大制约。基于上述问题，本文在力/位置控制的基础上，主要针对机器人参数摄动及外界工作环境接触刚度的不确定进行研究。在机器人力/位置混合控制的基础上，首先设计了一种模糊神经网络控制器与反馈控制器相结合的控制方案，采用模糊神经网络在线学习所有不确定性的包络函数的上界，引入反馈控制器，以增强模糊神经网络控制策略的完备性。针对实际应用中对不确定的不同要求，又提出了一种具有混合/性能指标的神经网络控制方法，对机器人不确定性(包括参数不确定性和外部扰动)分别进行补偿，保证了系统对外界干扰在给定的干扰衰减度下具有鲁棒稳定性的同时，还增强了系统对参数不确定性的补偿。力/位置混合控制理论明确，但付诸实施难。为此，本文又在机器人阻抗控制的基础上，针对机器人和环境的不确定性，提出一种具有鲁棒性的阻抗控制结构，使用模糊神经网络作为补偿控制器消除力控制中的所有不确定性，具有较强的鲁棒性和较好的实用价值。最后，针对阻抗控制对期望力的跟踪能力，提出一种自适应力跟踪策略，它根据力误差修正参考位置，不需要知道环境位置和刚度的先验知识，并且对补偿不确定性有一定的鲁棒性，但计算量较大。在此基础上，又提出一种以位置控制为基础的模糊神经网络阻抗控制方案，计算量小，达到了理想的力跟踪效果。