机器人技术发展迅速，在工业生产、科学研究和军事军备等方面都有着广泛的应用，相比于传统的手工作业，机器人具有高精度、重复性强、出错性低等优点，更重要的是机器人能在各种恶劣的环境中运行，并且可以持续工作，这是普通生产工人无法完成的。然而，机器人系统因其模型的非线性和惯性参数的不确定性等因素，在实际应用中难以建模。因此，在传统的控制算法下机器人的智能性往往不高。另外，在工业加工、组装等领域，多机械臂协作比单机械臂作业能完成更复杂、更灵巧和操作空间更宽广的任务，从而更具有研究意义和应用价值。然而，多机械臂协作控制系统目前面临着协同控制难度高、运动编程周期长和智能共享程度低等问题，因此本文开展基于神经网络的自适应学习控制器设计和混合现实技术在智能机器人交互示教中的应用研究，旨在使机器人的控制与交互更智能，更高效，更友好。
　　本文针对机械臂系统提出了一种自适应神经网络有限时间收敛学习控制算法，该算法可以在存在模型不确定性的情况下保证神经网络学习性能和系统瞬态跟踪性能。传统的自适应神经网络控制器仅关注系统控制性能而很少考虑神经网络的学习性能，基于有限时间收敛的神经网络学习算法在持续激励条件下可以使神经网络权值在有限时间内收敛到的最优值的邻域。同时，在控制器设计中所引入的系统状态变量误差转换机制可以将原始受约束的系统轨迹跟踪问题转换为不受约束的系统轨迹跟踪问题，进而保证系统瞬态跟踪性能。本文还深入探讨了神经网络在同构的多机械臂协同系统中不同独立机械臂之间知识共享的自适应学习和泛化问题。通过建立神经网络学习算法之间的通信拓扑，对机械臂动力学模型共享进行了理论研究。另外，本文设计一套基于混合现实技术的机器人遥操作示教系统，旨在让人们可以更加安全地在远程位置与机器人进行身临其境的交互，从而实现更高效、更友好的机器人遥操作示教。在此技术的支持下可以实现将人的技能拓展给机器人，从而拓宽智能机器人的技能范围。