自适应控制和参数估计一直是控制领域的重要研究课题之一。传统的自适应控制算法可以通过在线更新参数估计的自适应律来处理未知的系统参数。然而,其设计的目的主要集中在跟踪给定的参考轨迹,而不是保证估计的参数收敛到它们的真实值,这无疑给自适应系统的性能以及安全性带来了隐患。并且传统的自适应技术都仅适用于未知参数能线性化表达的系统,具有一定的局限性。为了解决参数估计收敛以及非线性表达的参数估计问题,本文提出了一种基于参数估计误差的非线性参数化系统的自适应参数估计框架。其基本思路是通过运用泰勒级数展开式来重新构造非线性参数化的系统,使其转化为线性参数化的系统。本文所研究的参数估计是基于非线性参数化的非线性系统,以及需要估计的参数在非线性系统中是以非线性参数化的形式来呈现的,而且还涵盖了常数和时变参数。本文研究的自适应参数估计和机器人控制是相辅相成的关系。具体表现在所提出的参数估计方法可以比较容易地运用到机器人建模和控制当中,可以整合参数估计误差以及轨迹跟踪误差,然后将其运用于机器人的自适应控制中。基于对自适应参数估计的先期研究,本文还提出了一种关于机器人的自适应控制策略。为了放宽线性参数化假设和系统模型知识的要求,本文采用神经网络用于学习和补偿系统中的未知动态,并且使用自适应律解决神经网络的未知权值在线估计问题。利用这种新的学习算法,跟踪误差和权值估计误差将指数地收敛到零附近的紧集中,其大小仅取决于神经网络近似误差。此外,本文进一步应用滑模技术来提出新的自适应控制和自适应律以得到有限时间收敛,所提出的控制策略中避免了机器人关节加速度信号,并且放宽了系统上的线性参数化假设,并且由于所提出的自适应律可保证收敛特性,可以有助于增强自适应控制系统的瞬态控制响应。本文研究了自适应参数估计及在机器人控制中的运用问题,提高了参数估计的精度和收敛速率,并保证机器人控制中的参数收敛和轨迹跟踪,主要开展的研究如下:(1)研究非线性参数化的系统的自适应有限时间参数估计。提出了一种基于参数估计误差的非线性参数化系统的自适应参数估计框架。通过引入泰勒级数和滤波操作,表征出参数估计的误差信息并用于自适应律的设计中,保证了参数估计有限时间收敛,并讨论了泰勒级数展开式阶数的最优选择,改进了参数估计的快速收敛。(2)研究含时变参数的非线性参数化系统的自适应参数估计。通过引入泰勒级数展开式,重构出线性参数化的非线性系统。通过引入辅助变量,表征出时变参数的导数和参数估计误差的信息,并用于自适应律的设计中,改进了快速时变参数的估计性能。(3)研究保证有限时间收敛的机器人自适应神经网络控制。通过神经网络来学习和补偿系统中的未知动态,放松了对于系统动态的限制。并且基于先期提出的参数估计的相关方法,来更新神经网络的未知权值,既保证了权值的有限时间收敛,也保证了跟踪误差的有限时间收敛,并放松了对于传统机器人自适应控制方法对于加速度信号的依赖。在完成了上述理论研究的同时,本文将机器人的神经网络控制运用于实验室自制的SCARA机器人的实际平台开展实验,所得结果验证了所提出的算法的有效性。