本文主要针对串联杆机械臂的动力学建模问题,通过分析其动力学模型中存在的复杂非线性与不确定问题,指出神经网络因拥有良好的非线性全局逼近能力,可以用来进行模型辨识。现有的神经网络辨识研究虽多,但由于真实系统中的噪声问题,很多方法都只在特定的仿真环境下效果较好,缺乏实际系统的应用。在详细分析了神经网络辨识及径向基神经网络后,提出可根据核自适应滤波自动构建径向基神经网络及处理数据中存在的噪声等特点,使用其对逆动力学模型进行辨识。本文的主要内容为:1.指出由于机器人动力学系统存在高度非线性和不确定性等原因,现有的机理建模方法无法满足高精度高负载等应用场景,可使用具有全局非线性逼近能力的径向基神经网络进行辨识。但神经网络存在依赖训练样本的,对存在噪声的数据无法获得较好的收敛甚至可能会发散,本文提出使用可自动构造径向基神经网络的核自适应滤波进行辨识。2.在广泛应用于非线性系统问题的核最小二乘算法基础之上,为解决真实环境中的数据存在非高斯噪声的问题,提出一个基于多次幂相关熵的核自适应滤波算法。并分析和验证了其性能。3.根据机器人逆动力学模型的特点,设计了基于本文提出的均多次幂相关熵核自适应滤波的辨识方法,其中包括整体的辨识算法结构,参数更新方式,及提升泛化能力的样本选取方式。4.通过仿真和真实机器人平台的实验,验证了该算法的有效性。