随着工业机器人应用领域的不断扩大以及现代工业的快速发展，人们对工业机器人性能的要求越来越高，以进一步提高生产效率和产品质量，因此高速、高精度、智能和模块化成为目前工业机器人发展的主要趋势。工业机器人系统是一个强非线性、强耦合的多输入多输出的高度复杂系统，在高速运动的情况下，机器人的非线性动力学特性十分显著，并且实际存在的各种复杂不确性因素也严重影响着机器人的控制性能，因此对工业机器人的高速高精度控制方法进行研究具有重要的理论意义和实用价值。本文以六自由度的工业机器人为研究对象，对其工作空间的奇异点回避、动力学参数辨识和先进鲁棒控制技术等关键问题进行了系统深入的研究，主要内容如下：针对所设计的六自由度工业机器人的奇异问题，首先建立运动学模型进行奇异位形分析，提出了“奇异分离+指数级阻尼倒数”奇异域回避方法，保证了机器人高速运动的连续性和平稳性，并有效降低了在奇异点及其附近对机器人末端精度的影响。实际应用时直接从原逆雅可比矩阵中分离出奇异因子，并修改为所提出的阻尼表达式即可，计算简单。数值仿真验证了该方法的有效性和可行性。机器人动力学参数辨识是进行基于动力学模型的先进控制系统设计的基础，其估计精度直接影响机器人的控制性能。首先对工业机器人的动力学模型进行研究，推导了工业机器人的最小组合惯性参数和观测矩阵；其次为保证最小二乘法的估计精度和鲁棒性，提出了基于人工免疫克隆选择算法的激励轨迹优化方法，通过仿真验证了辨识结果的准确性。针对有限时间控制系统的鲁棒性问题，提出了鲁棒H∞有限时间稳定性概念及鲁棒H∞有限时间稳定性判定定理，并针对一类具有不确定性的非线性系统提出了一种鲁棒H∞有限时间控制器的设计方法，该方法不需要求解复杂的非线性HJI不等式（Hamilton-Jacobi-Isaacs Inequality）或Riccati方程。由于实际工作的工业机器人系统还会受到各种复杂的不确定性因素的影响，提出了工业机器人的鲁棒H∞有限时间控制器，从而一方面保证了跟踪误差的有限时间收敛，提高了响应速度和跟踪精度；另一方面保证了机器人系统对各种不确定性具有L2干扰抑制性能。仿真结果表明该控制器对时变干扰和突变干扰均具有较好的鲁棒性。利用Backstepping方法、终端滑模方法设计了具有鲁棒性的机器人有限时间控制器。研究基于Backstepping的机器人有限时间控制器设计方法，通过引入变结构项提高了有限时间稳定系统的鲁棒性；结合RBF神经网络的非线性映射能力，提出了一种鲁棒自适应神经网络有限时间控制器，克服了有限时间控制系统需要已知不确定性上界的要求；利用终端滑模控制的思想，设计了一种修正的神经网络有限时间控制器，在保证有限时间稳定的同时，消除了“抖振”现象。理论证明机器人闭环系统是有限时间稳定的，通过仿真验证了算法的有效性和可行性。针对机器人动力学模型完全未知的情况，采用时延信息有效估计机器人的非线性特性和外界干扰，提出了基于时延估计的机器人鲁棒H∞控制器，获得了对估计误差的L2干扰抑制性能；结合有限时间控制的优点，提出了基于时延估计的有限时间控制器，提高了响应速度和跟踪精度，通过数值仿真验证了两种算法的有效性和可行性。最后分析比较了鲁棒H∞有限时间控制、基于Backstepping方法的有限时间控制、鲁棒自适应神经网络有限时间控制和基于终端滑模的神经网络有限时间控制方法在工业机器人高速高精度跟踪控制应用方面的优缺点和异同点，特别在鲁棒性、瞬态特性和实现难度方面进行了分析比较，以方便选用。针对机器人运动学存在不确定性的情况，提出了模糊自适应滑模变结构控制器。机器人末端的运动轨迹是在工作空间进行规划却是通过驱动机器人各关节运动实现的，因此机器人几何参数的不确定性也会影响机器人末端的跟踪精度。该控制方法的基本思想是利用模糊逻辑系统的语言规则信息和学习逼近能力，自适应补偿机器人运动学和动力学不确定性，从而提高了机器人末端的跟踪精度，且无需在线实时估计机器人的运动学和动力学参数。提出了一种开放式多控制器的机器人控制系统智能结构，该结构便于进行参数辨识实验，并且控制系统可根据不同的工作任务和工作环境自动选择最佳的控制方案。最后为验证参数辨识方法和控制方法的工程有效性和可行性，搭建了机器人实验平台并进行试验研究。试验分两部分：第一部分为机器人的参数辨识试验，获得精确的机器人动力学模型；第二部分为轨迹跟踪控制试验，试验结果表明，所设计的控制器均能有效提高机器人系统的瞬态特性、跟踪精度和鲁棒性。