机器人在制造业中有着较为广泛的应用,尤其是工业机器人,更是被广泛的应用在汽车组装、生产包装、产品测试,质量检测,喷漆焊接等方面。而在工业机器人的众多研究方向中,轨迹跟踪控制是一个重要方向。随着技术的不断发展,现代工业机器人控制要求在加快响应速度的同时,提高轨迹跟踪精度,提升产品质量。本文针对机器人控制中存在的由于动力学建模误差和外部不确定干扰而导致的对控制参照物轨迹刻画精度偏低,收敛较慢的问题,在三种典型的鲁棒控制方法基础上,搭建基于深度学习的卷积神经网络进行鲁棒控制算法的优化,进而提高控制精度,加快轨迹收敛速度。研究内容主要包括:针对鲁棒变结构控制方法存在“抖振”的问题,引入卷积神经网络进行优化,提出了一种卷积神经网络滑模变结构控制方法。构建基于深度学习的卷积神经网络实现对机器人的建模误差和外部不确定干扰部分的补偿,并证明了控制系统的稳定性。仿真结果表明优化之后的卷积神经网路滑模变结构控制方法能够解决“抖振”问题,提高轨迹的跟踪精度,加快响应速度。针对鲁棒控制方法中存在不确定上界部分的问题,引入卷积神经网络模型补偿其中的不确定上界部分,解决了鲁棒控制稳态精度普遍偏低的问题。仿真结果显示,采用优化之后的控制方法完成机器人轨迹跟踪控制任务时,加快了轨迹跟踪误差的收敛,提高了控制精度。针对鲁棒H∞控制方法,首先设计机器人控制系统的评定信号,再引入卷积神经网络模型对鲁棒H∞控制方法进行优化,最后通过HJI不等式,证明了控制系统的稳定性。与基于RBF神经网络的鲁棒H∞的控制方法进行仿真对比,实验结果显示优化之后的控制方法减少了机器人轨迹跟踪误差,加快了轨迹跟踪的收敛速度。本文以MATLAB-simulink模块为仿真平台,以两关节机器人为仿真对象,对三种经过卷积神经网络优化后的鲁棒控制方法的轨迹跟踪进行了仿真,均取得了较好的控制效果。但是本文所优化的方法作为一种优化算法,并不局限于在两关节机器人中使用,也可以拓展到多关节机器人。