近年来,机械臂在现代工业制造体系中扮演了不可或缺的角色,随着生产工艺的提升,对机械臂的轨迹跟踪控制要求也越来越高,由于目前大多数控制研究只能使系统渐近收敛,研究高精度、快速收敛的跟踪控制算法有着重要的意义。本课题基于非奇异终端滑模（Nonsingular Terminal Sliding Mode,NTSM）有限时间收敛特性,将NTSM分别与神经网络、自适应控制、扰动观测器结合设计轨迹跟踪控制器,提高了机械臂的轨迹跟踪控制性能。主要内容如下:（1）针对机械臂动力学模型参数未知的有限时间跟踪问题,借助神经网络的逼近特性,提出了一种基于径向基神经网络（Radial Basis Function Neural Network,RBFNN）的NTSM控制方法。首先设计一种NTSM面,而后引入RBFNN逼近动力学方程的未知非线性函数,解决了模型不精确的问题,并设计NTSM控制律加快系统收敛速度,增强系统鲁棒性。（2）针对机械臂在运动过程中存在扰动的有限时间跟踪问题,借助自适应控制的估计参数特性,提出了一种基于自适应NTSM的控制方法。首先考虑扰动上界已知的情况,设计NTSM控制,确保机械臂轨迹实现有限时间跟踪,接着考虑扰动上界未知的情况,利用自适应律的参数辨识功能估计扰动上界的未知参数以此补偿扰动,解决了扰动上界未知的问题,实现了高精度轨迹跟踪控制。（3）针对机械臂受到的参数不确定以及外部扰动的有限时间跟踪问题,借助扰动观测器的观测特性,提出了一种基于扰动观测器的NTSM控制方法。首先设计扰动观测器,实现对系统总扰动时实观测,以此等效补偿扰动带来的影响,其次设计NTSM控制,此时系统扰动变为扰动观测误差,解决了未知干扰的问题,NTSM提高了系统收敛速度。三种控制方法都通过Lyapunov函数进行了稳定性分析,证明了机械臂轨迹能在一定的时间内跟踪期望轨迹,从而实现系统轨迹跟踪误差在有限时间内趋于0,并且通过机械臂模型模拟仿真验证了算法的可行性。