本文在回顾了机器人控制技术和神经网络技术的发展和现状后，提出了智能神经网络的概念和模型，总结了它的定义，研究了多种形式的智能神经网络模型并将它们应用于机器人的控制中。所研究的智能神经网络可以分为两类，一类是具有模糊推理归纳和自学习能力的神经网络；另一类是具有全局稳定性和鲁棒性的神经网络。在本文中，我们通过将模糊控制与神经网络结合构成模糊神经网络来使神经网络具有模糊推理归纳和自学习能力；通过从系统的稳定性出发，用稳定性理论来设计鲁棒神经网络学习算法来使神经网络具有全局的稳定性。模糊神经网络用神经网络模拟模糊推理，使得神经网络具有了模糊推理和归纳能力。由于神经网络具有自学习的能力，又使得模糊神经网络的推理归纳方式在实际的控制过程中是可以不断修正的。同时由于模糊神经网络的结构具有明确的物理意义，模糊神经网络的结构设计和权值初始化非常容易。在模糊神经网络的研究方面，论文首先利用采用高斯基函数作为模糊隶属函数，构造了一种模糊高斯基神经网络；而后，为了使模糊隶属函数的形状可以得到实时在线的调整，在分析了样条基函数的特性后，利用B样条基函数作为模糊隶属函数，构造了一种模糊样条基神经网络；再然后，将小脑模型关节控制器中的空间划分方式进行模糊化处理，提出了一种模糊小脑模型关节控制器；之后，又在小波神经网络的基础上，设计了一种模糊小波基神经网络；最后，在模糊神经网络中引入反馈单元，提出了一种递归模糊神经网络。在鲁棒神经网络的研究方面，本论文基于李雅普诺夫定理等稳定性理论和鲁棒控制方法，设计了一种鲁棒神经网络控制系统，该系统首先利用具有鲁棒学习算法的神经网络来逼近系统中的不确定性因素，然后用鲁棒控制器来消除神经网络的逼近误差的影响。论文从理论上分析了整个鲁棒神经网络控制系统的稳定性。论文中提出的各种智能神经网络模型均被应用于机器人的轨迹跟踪控制中以克服机器人控制系统中非线性、耦合、不确定性等因素对控制性能的影响。对提出的每一种方法本文都进行了仿真实验研究，仿真实验结果证明了所提出的各种智能神经网络模型具有良好的智能特性，在应用于机器人的控制时，都能取得很好的控制效果，是行之有效的。