随着科学技术的快速发展,机器人已经在工业、服务业、医疗卫生、航空航天等领域得到了广泛的应用。谐波减速器因其结构紧凑、运转精度高、传动比大等优点,在机器人的传动关节应用领域中占据了巨大的市场份额。然而在实际工作环境中,以谐波减速器为传动核心的机器人关节存在柔性、摩擦、外部干扰等多种复杂的非线性特性因素的影响。而且由于物理条件的限制,控制系统只能产生幅值有限的控制输入,控制输入超出执行器的输出上下限时,会产生饱和现象降低系统的跟踪性能。关节控制器通常需要角度和速度信息反馈至闭环控制系统中,但是因为关节速度状态信号有时会被噪声污染而不易被测得。因此为了满足机器人在工作中精确性和可靠性的要求,本文以谐波减速器和永磁同步电机构成的谐波驱动关节为研究对象,考虑系统存在的柔性、摩擦、外部干扰以及输入受限和速度不可测等影响因素,研究了关于谐波驱动关节的非线性控制策略方面的内容。论文的主要内容如下:（1）针对谐波驱动关节存在的柔性、摩擦、外部干扰和建模误差等问题,本文结合谐波驱动关节的数学模型设计了基于扩张干扰观测器的指令滤波反步控制方法。使用扩张干扰观测器得到了系统中摩擦、外部干扰和建模误差等因素的有效观测值。指令滤波反步控制技术解决了传统反步法出现的“复杂性爆炸”问题,弥补了动态面法存在滤波误差的不足。构造系统的Lyapunov函数分析了控制器的稳定性,保证闭环系统的所有状态和误差收敛。结果表明,设计的扩张干扰观测器可以估计高阶干扰而且观测精度较高,加入干扰补偿的控制器在摩擦、外部干扰、建模误差作用下取得了较好的跟踪精度和控制性能。（2）针对谐波驱动关节控制输入受限的问题,提出了一种基于径向基函数神经网络（Radial basis function neural network,RBFNN）的输入饱和指令滤波自适应控制策略。控制器利用饱和函数和补偿机制约束了控制输入的幅值,使用RBF神经网络在线逼近摩擦、外部干扰和建模误差等未知干扰。仿真结果表明在饱和补偿机制作用下,控制输入的幅值始终处于规定的范围之内,RBF神经网络实现了控制器对于外部阶跃干扰和建模误差的准确估计。所提出的控制算法不仅完成了对目标轨迹的高精度跟踪,还可以抵抗外部阶跃干扰力矩和建模误差对控制系统的不良影响。（3）考虑关节速度不可测和系统控制输入受限,设计了一种基于线性扩张观测器和RBF神经网络的指令滤波非线性自适应控制方法。将谐波减速器动力学方程中和关节速度有关的项视为建模误差的一部分,把摩擦、外部干扰以及建模误差共同视为复合干扰。线性扩张观测器完成了对谐波减速器负载端和输入端复合干扰和转速的观测,RBF神经网络用以逼近永磁同步电机模型中的干扰和建模误差。结果表明,对于关节输入受限和无速度传感器的情况,提出的方法具有良好的轨迹跟踪性能。外界突变干扰以及系统模型参数的变化不会降低控制器的稳态跟踪精度。