随着生产力的不断发展和自动化技术的普及,机械臂已经被广泛应用于工业制造、医疗服务、军事以及太空探索等领域。因此,机械臂控制技术的研究也引起了广大学者的普遍关注。由于机械臂具有高度的非线性、强耦合和不确定性,且通常面对的是复杂的工作环境,使得机械臂的控制与学习研究极具挑战性。神经网络控制作为智能控制理论的主要分支,目前已被广泛应用于解决具有本质非线性的机械臂系统控制问题。尽管神经网络控制在机械臂研究中取得了很好的控制效果,但是由于神经网络控制的学习问题一直没能得到很好解决,致使机械臂难以实现从稳定的闭环控制中获取、存储和利用经验知识改善控制性能。此外,在实际应用中,机械臂控制系统存在着各种约束条件,例如任务空间受限、速度受限等。一旦违反了这些约束条件,可能会导致机械臂系统性能的严重下降,甚至引起系统的损坏并威胁到操作人员的生命安全。因此,研究满足指定性能约束的机械臂系统控制与学习问题具有重要的理论意义和实际应用价值。本文首先研究了满足指定跟踪精度和速度约束的刚性机械臂系统的神经网络学习控制问题。利用性能函数刻画了跟踪误差需要满足的暂态和稳态性能要求,并采用非线性转换得到了性能不受限的非线性系统。随后,结合两个解耦的李雅普诺夫函数和径向基神经网络逼近器,提出一种结构简单又有效的自适应神经网络控制方案。最后利用存储的神经网络权值,设计出基于静态神经网络的控制器,避免了对未知动态的重复学习,改善了机械臂系统的控制效果。在此基础上,针对具有全状态约束的刚性机械臂系统控制问题,本文通过采用障碍李雅普诺夫函数方法提出了自适应神经网络控制器,保证了在不违背状态约束的前提下实现了闭环稳定。鉴于该方法存在控制器设计保守性问题且不能实现未知系统动态的精确逼近,本文随后对具有全状态约束的刚性机械臂系统控制方案进行了重新设计。针对上述两个问题,本文首先使用一种新的转换函数直接对受限的状态进行了非线性转换,从而不需要提前知道中间变量的界,降低了控制器设计的保守性。针对转换后的非线性系统提出了自适应神经网络控制方案,从而保证了所有闭环信号一致最终有界。最后利用确定学习理论对相似的控制任务设计了神经网络学习控制器,获得了更好的控制效果。通篇论文以双连杆刚性机械臂为例进行了仿真研究,仿真结果表明了本文所提方案的有效性。