近年来,随着机器人产业的高速发展,对人机交互安全性和舒适性要求日益增高。由传统的电机、气缸、液压缸等驱动的刚性机器人体积庞大、结构繁重、柔顺性差,在人机交互的应用需求下存在着非常大的局限性。因此,一种受生物骨骼肌启发设计而成的新型柔性驱动器——气动人工肌肉（pneumatic artificial muscle,简称PAM）受到越来越多学者们的青睐。气动人工肌肉具有清洁安全、质轻便捷、功率密度大、柔顺性好等优势,在柔性机器人、仿生机器人、医疗康复、救灾救援等领域有着巨大的发展潜力和应用前景。然而,特殊的结构和材料特性也为气动人工肌肉带来了与生俱来的缺陷,比如强迟滞性、蠕变效应、复杂摩擦力等,这使得由其驱动的机器人系统具有高度非线性、不确定性和时变性,为动力学建模和控制器设计带来了巨大的挑战。目前,针对气动人工肌肉系统的建模与控制问题,已经出现了一些研究成果,但依然存在许多亟待解决的难题,尤其是环境适应性差、智能化程度低等。因此,本文从实际应用需求出发,针对气动人工肌肉系统的非线性控制问题展开深入研究,将严格的理论分析与充分的实验验证相结合,旨在提高控制的精准化和智能化,具有理论与现实双重意义。本文工作的主要贡献如下:1)基于神经网络估计的自适应控制方法。气动人工肌肉系统的高度非线性和不确定性使得难以在整个工作气压范围内得到其精确的动力学模型。因此,本文在气动人工肌肉三元素模型的基础上,构造一种三层神经网络来估计模型中的未知非线性函数,并且设计一种带有投影算子的自适应律在线更新神经网络的输入/输出权重矩阵/向量,无需提前训练。进一步地,考虑到气动人工肌肉领域现有绝大多数控制方法都没有涉及跟踪误差的边界约束问题,本文基于滑模面提出一种非线性鲁棒控制器,实现了跟踪误差渐近收敛于零的同时始终将其限制在预设的边界范围内。随后,基于李雅普诺夫理论严格证明了闭环系统的渐近稳定性与收敛性,并在竖直单气动人工肌肉样机平台上进行了多组对比实验,验证了所提方法的有效性与鲁棒性。2)基于高阶扰动观测器的非线性控制方法。除了固有的高度非线性和不确定性之外,气动人工肌肉对环境中的噪声异常敏感。在实际工作中,系统不可避免地会受到外界多种扰动的影响,并且这些扰动大都复杂未知且持续多变。考虑到目前气动人工肌肉领域大多数自抗扰控制方法将扰动变化率忽略不计,本文对三元素模型进行转化,将未建模动态、不确定性和外界扰动视为集总扰动,并假设其具有高阶有界导数。基于此,提出一种非线性高阶扰动观测器来观测集总扰动及其各阶导数,实现观测误差在有限时间内收敛于零。进一步地,基于高阶扰动观测值设计了一种非线性鲁棒控制器,实现跟踪误差渐近收敛于零。随后,通过严格的李雅普诺夫理论证明了闭环系统的渐近稳定性与收敛性,并在水平单气动人工肌肉样机平台上验证了所提方法的有效性与鲁棒性。3)带饱和环节的重复学习控制方法。考虑到目前气动人工肌肉领域大多数控制方法都不具备“学习”的能力,本文从气动人工肌肉在外骨骼康复机器人中的应用背景出发,设计了一种带饱和环节的重复学习律来学习动力学模型中的未知周期性函数,用以补偿系统的不确定特性和未建模动态。进一步地,基于滑模面设计了一种非线性鲁棒控制器,使得跟踪误差能够渐近收敛于零,并且在整个控制过程中不会超出预设的边界范围。随后,利用李雅普诺夫方法,从理论上严格证明了闭环系统的渐近稳定性与收敛性,并在单气动人工肌肉驱动的外骨骼机器人平台上验证了所提方法的有效性与鲁棒性。