压电驱动器目前已经成为高速、高精密运动控制系统的主流驱动器,被广泛应用于精密微纳米运动系统中。针对压电驱动器本身固有的多种非线性特性和参数不确定性,为了实现压电驱动运动控制系统高精度的轨迹跟踪控制,目前有基于开环非线性特性逆模型的前馈补偿控制和反馈控制等,这两种控制方法都存在着一定的缺陷难以实现精确的轨迹跟踪控制。针对压电驱动器的特性,本文提出一种基于长短期记忆神经网络（LSTM神经网络）的压电驱动器轨迹跟踪控制方法。传统的基于神经网络逆模型的控制方法是对开环对象建立其逆动力学模型,而本文提出的控制方法则是利用LSTM神经网络逼近闭环压电驱动系统逆动力学的输出方程。使用训练好的LSTM神经网络作为轨迹修改模块生成新的参考轨迹,实现整个系统的期望轨迹和实际轨迹之间的恒等映射关系,从而对跟踪误差进行补偿,提高压电驱动器的轨迹跟踪控制精度。本文对压电驱动器的蠕变、振动和迟滞非线性特性进行分析,得到闭环系统的简化数学模型,并且提出基于神经网络的轨迹跟踪控制整体控制框架,结合闭环压电驱动系统的简化数学模型,在理论上分析这种控制框架的底层原理以及稳定性。考虑使用LSTM神经网络作为闭环系统的建模工具,介绍了LSTM神经网络的训练特征选择以及神经网络的结构和参数更新过程。基于训练好的LSTM神经网络,对压电驱动器的参考轨迹进行修改,将修改后的参考轨迹输入到压电驱动闭环系统中,在压电驱动器实验平台上进行了性能验证,证明了该方法的有效性。基于LSTM神经网络的轨迹跟踪控制方法可以使控制系统的底层反馈控制器和前馈补偿器分开进行设计,即由反馈控制器来保证反馈特性,由LSTM轨迹修改模块作为前馈补偿器来保证高精度的轨迹跟踪特性,这种方法可以不修改原有的底层控制器,方便地应用到工业运动控制系统中。