机器人的控制问题无论在理论界还是工程界多年来一直倍受人们的关注。当机器人系统模型是精确知道的时候，反馈线性化技术可以很好的解决其控制问题，然而现实的操作过程中机器人动力学模型的各个参数可能发生变化，同时还受到环境干扰和负载变化等许多不确定因素的影响，因此有必要对现有的控制方法加以改进。本论文以具有完整动力学模型的机器人系统，即不确定机器人系统为研究对象，在现有文献的基础上，重点探讨了基于智能算法的各种鲁棒控制策略。本论文第1章介绍了机器人的发展概况和机器人控制理论概况；第2章给出控制器设计所需的数学知识和机器人动力学模型；第3章提出一种模糊自适应控制与滑模监督项相结合的控制方法，其中模糊控制以其简单的规则集和隶属度函数有效的补偿了系统的不确定性，然后利用一个低抖振的滑模监督项消除了模糊控制系统的逼近误差；第4章提出了基于Backstepping方法的不确定机器人模糊神经网络控制，这里模糊神经网络学习了系统理想的反馈线性化控制律，并采用一个鲁棒项补偿了模糊神经网络的学习误差，整个控制器的设计过程都是基于Backstepping设计方法，有效的保证了系统的全局稳定性；第5章针对工业机器人仅有关节位置测量的情况，提出了基于RBF神经网络的滑模观测器来观测关节的速度信号，将滑模方法融入观测器的设计提高了其抗干扰能力，这里RBF神经网络补偿了机器人系统的各种不确定性，避免了回归矩阵的计算和对惯性矩阵先验知识的要求，并充分考虑控制器与观测器的相互影响，保证了重构的速度信号能代替实际的速度信号用到控制策略的反馈回路中，仿真结果证明了所提方法的正确性。