由于神经网络具有很强的数据处理能力和很好的逼近任意非线性函数的能力，其在控制系统的建模、辨识和控制中得到了广泛的应用。本文对两种典型的神经网络——前馈型神经网络和递归型神经网络的结构特点进行了分析，在此基础上提出了改进的网络学习算法和网络结构，并分别应用在机械手的逆模学习控制和逆运动学轨迹跟踪控制当中，取得了令人满意的效果。 本文主要做了以下几个方面的工作： (1)分别对前馈型神经网络和递归型神经网络的结构特点、学习算法以及在机械手控制中的应用进行了分析和总结，并分别指出这两种网络在机械手控制中存在的问题。在此基础上分别引入了快速启发式学习算法和具有输出．隐层反馈的改进Jordan网络模型。 (2)针对二自由度机械手动力学模型的非线性和参数的不确定性，提出一种神经网络与逆模控制相结合的控制策略，并针对基于梯度搜索的传统BP算法在神经网络训练后期收敛速度慢且容易陷入局部极小的缺陷，结合Kalman滤波提出一种快速启发式学习算法，应用于多层前馈神经网络的训练。研究结果表明，该算法能很好地逼近非线性函数，并提高了机械手轨迹跟踪的动态性能及抗扰性能。 (3)利用递归神经网络对非线性动态系统良好的映射能力，将机械手的运动学逆模型看作非线性动态映射，设计基于改进的Jordan神经网络的机械手逆运动学轨迹跟踪控制系统。根据机械手逆运动学的特点选择相应的网络结构，并推导出相应的学习算法。仿真结果表明，该网络在机械手的轨迹跟踪上具有更好的快速性和实时性。 课题获得国家自然科学基金(NO.60375017)、北京市属市管高等学校人才强教计划资助项目和高等学校博士学科点专项科研基金(NO.20050005002)资助。取得的成果对机械手神经网络控制理论和方法的研究具有一定的参考价值。