包括机器人动态控制在内的动态控制既面临着获取精确系统模型的理论挑战,也面临着界定不确定系统界限的实际困难。常规的方法要么依赖于建立精确的模型,要么采用自适应的方法来进行在线整定;但是这些方法的控制效果还有待提高。为了解决这些难题,本论文首先建立一种新型的模糊神经网络来获得更好非线性特性,并且还提出了一种新型的模糊神经网络和鲁棒补偿控制器组成的控制系统。该控制系统可以将建立的神经网络模型的特性充分利用起来。之后,针对神经网络的优化方法,本论文还采用了新型的和声搜索算法来进行权值优化。最后,在机器人实际系统上,论文采用了双神经网络的方法实现了机器人手眼协调的控制。在神经网络方面,论文将模糊小脑模型神经网络控制器(CMAC)和脑情感学习控制器网络(BELC)中嵌入的多个关键组件集成到一个模糊神经网络中,实现了理想的滑模控制器。并且论文尝试了将系统输入通过2型模糊推理系统之后,再输入到神经网络中。随后将结果输送到感知和情感通道中,这些通道共同产生网络的最终输出。也就是说,所提出的网络在CMAC与BELC两种网络的支持下使用鲁棒补偿器控制器来估计表示理想滑动模型控制器的非线性方程,从而保证受控系统动态的鲁棒跟踪。网络的自适应动态调整规律是基于流行的大脑情感学习规则和李雅普诺夫函数的开发。在优化方面,针对CMAC中权值较难确定的问题展开研究,论文发现和声搜索算法具有结构简单的特点,且在处理优化问题时表现出较好的搜索速度与性能,很适合实现CMAC的网络参数与权值的优化。所提出的系统适用于机器人手臂,通过模拟人类抓取的特征建立了双神经网络的控制系统。与传统的神经网络的实验比较表明,论文所提出的系统在执行智能动态控制方面有显着的改进。