乒乓球运动要求参与者具备快速反应和快速决策的能力。基于这些特点，乒乓球机器人成为研究高速、智能机器人系统的理想实验平台。本文以七自由度乒乓球机器人为背景，进行了三方面的研究工作：七自由度机械臂的运动控制、高速运动球体的视觉跟踪和基于学习的球击决策。针对带关节限位的起自由度机械臂，本文提出了一种改进的基于“臂角”参数法的解析逆运动学求解方案。七自由度机械臂的冗余运动被参数化为“臂角”，即机械臂与参考平面之间的二面角。基于上述参数化方法，关节限位对于冗余参数的限制能够表示为可以解析求解的三角不等式。而后，在每个自运动流型上“臂角”的取值范围可以简明且易于实现的三角运算得到；最后对于取值范围内的每个“臂角”值，即可求得符合关节限位的关节配置。本文采用数学证明和实验验证两种方法证明了上述方法的正确性。另外，本文还采用MATLAB符号运算实现了机械臂的正运动学；并通过对比常用微分逆运动学算法，选择了加权最小范数法作为其自由度机械臂的微分逆运动学算法。针对高速运动球体在图像中引入的“运动模糊”，本文提出了一种基于双目视觉的图像处理流程：首先给予背景去除法从图像中提取球体的对应区域；而后通过最小化图像方向导数的L2范数来估计模糊参数并采用Tichardson-Lucy算法得到去模糊图像；最后采用基于RANSAC的圆拟合算法得到乒乓球的中心位置并进而计算出乒乓球在三维空间的位置和速度。上述方法可以有效减轻运动模糊现象对测量精度的影响，从而实现高速乒乓球的精确视觉跟踪。针对击球决策问题，本文提出了一种基于支持向量回归的击球策略学习方法。机器人的击球过程被形式化为击球评价函数，该函数以来球状态和击球轨迹参数为输入，以回报值为输出。该函数由ε支持向量回归算法对经验数据集进行泛化二得到。在在线决策过程中，采用多初值拟牛顿法最大化击球评价函数以求解出最优击球轨迹。由于基于学习的击球决策不依赖于物理模型，因此它可以有效避免非建模动态和模型参数误差等因素对击球成功率的影响。本文提出的所以算法都在七自由度乒乓球机器人系统上实现，机械臂轨迹规划实验、视觉跟踪实验和击球等验证了算法的有效性。