机器手臂是一个末端能动的机械装置，已经被广泛应用在工业自动化方面。对于非冗余机器手臂来说，当机器手臂末端完成指定的运动时，它的关节由于没有多余的自由度，不能去完成别的动作，从而失去了灵活性。而冗余机器手臂可以利用自身的冗余关节来除去这个约束，使得机器手臂更加灵活，实现对作业环境中障碍物的躲避。 本文首先介绍了冗余机器手臂的运动学和动力学理论，重点研究了逆运动学问题，然后建立起了障碍物躲避的实时求解模型。冗余机器手臂逆运动学控制的避障算法被统一为等式、不等式和双端约束的二次规划(QP)问题。同时，为了避免关节角偏差现象，我们提出了改进的避障算法。 为了解决时变的QP问题，本文运用递归神经网络在速度层上进行冗余度解析。将基于线性变分不等式(LVI)的原对偶神经网络与现有的神经网络做一简单的比较，并从理论上证明LVI原对偶神经网络的优点。用PA10机器手臂进行模拟试验，仿真结果验证了该网络求解的有效性和实时解析性。最后分析了工作中的不足，提出了以后工作的几点展望。