一个理想的力反馈设备应当具有如下特点:当操作者操作该设备与虚拟环境或者远端环境进行人机交互时,操作者在交互过程中所感觉到的力触觉与亲临现场进行真实操作所感觉到的一样。因此,如何使力反馈设备能够构建真实、准确、可靠的临场感效果,是力触觉反馈设备设计中最具有挑战性的问题。其中,力触觉反馈设备的性能除了与结构、减速器、传感器等硬件的选取有关,控制算法也是影响其性能的关键因素。控制算法能够消除力反馈设备中自身惯量、摩擦力、重力等因素的影响,从而增强系统的透明性以及力反馈的逼真性。然而,在实际应用中控制算法的性能还受设备模型精度以及设备运动信息准确度的影响。为了使力反馈设备最终能够实现位置和接触力的精确控制,本文对以下几个方面展开了研究:首先,通过机器人的运动学和动力学分析方法,建立了力反馈设备的运动模型和动力学模型,并发现控制算法所需要补偿的重力主要由第2、3关节造成,而末端在工作空间中的运动也主要由2、3关节控制。因此,将设备模型简化为两连杆模型,为控制算法的研究提供基础。其次,为了提高控制系统的抗干扰能力、动态响应速度、跟踪精度,提出了一种快速终端滑模阻抗控制算法,利用李雅普诺夫稳定性理论证明了该算法是全局渐进稳定的,并推导了系统从任意非零状态收敛到平衡点的时间。然后,考虑到设备的动力学参数存在不确定性,将导致控制算法无法提供精确的力矩。对此,提出了一种改进的全面学习粒子群算法,用于估计设备的参数。通过仿真实验,表明该算法估计的参数能够提供更精确的控制力矩。另外,精确的位置、速度、加速度能够提升控制算法的性能,而通常在力反馈设备中未配置速度传感器和加速度传感器,无法直接获取各关节的角速度和角加速度。因此,使用非线性跟踪--微分器,对设备的角度信息进行滤波和微分处理,得到力反馈设备的位置、速度及加速度信息。最后,在力反馈设备实验平台上,验证了非线性跟踪--微分器以及估计的参数能够为控制算法提供更精确的估计力矩。