在机器人的研究中，机器人建模与控制是最重要的领域之一。神经网络以其强大的适应复杂环境和多目标控制要求的自学习能力，以及可以任意精度逼近任意非线性连续函数的特性引起极大关注。本文采用神经网络来研究机器人系统的建模、控制问题，为解决非线性系统的辨识和控制探索简单而有效的方法，具有重要的理论意义和应用价值。本研究主要涉及以下几方面：首先，对神经网络的结构进行了研究。在动态递归Elman网络的基础上，提出了一种新的神经网络拓扑结构——状态延迟输入动态递归神经网络（SDIDRNN），其主要特点是将输入输出前一步状态信息作为神经网络隐含层神经元的一部分输入，使网络的学习速度得到提高。详细讨论了SDIDRNN的学习过程及学习算法的收敛性，并通过与其他几种常用的网络比较，说明了该网络在学习速度上的优越性。其次，利用SDIDRNN解决了机器人的控制问题。基于机器人运动学方程和动力学方程，以SDIDRNN作为神经网络控制器，分别设计了两种机器人控制结构来解决机器人的轨迹跟踪控制。根据仿真结果分析了神经网络控制器在系统中的作用，指出了只采用PD控制器时系统的局限性；另外，为解决传统PID控制器参数无法在线整定的问题，将神经网络与PID控制器结合起来，利用神经网络在线调整PID控制器的参数，提高了系统的应变能力。对双臂共同操作一刚性物体进行仿真，设计了主、从臂的关节控制器及协调操作系统的控制结构，得到了各种位形情况下PID控制器参数的变化曲线，取得了较好的轨迹跟踪效果。再次，提出了冗余度机器人正、逆运动学辨识的新方法。以PowerCubeTM模块化空间7自由度机器人为研究对象，为提高机器人控制系统中冗余度机器人正、逆运动学的计算速度设计了一种新颖的解耦辨识方法。此方法拓展了神经网络权值的概念，使可变权值与固定权值存在于同一网络中，大大地提高了网络学习速度。然后，将实验数据作为神经网络学习样本建立了机器人的输入输出模型。利用PowerCubeTM模块化机器人和OPTOTRAK 3020三维动态测试仪测得机器人的关节角数据及机器人末端轨迹数据，为神经网络辨识器提供输入输出学习样<WP=4>本，完成了平面及空间不同类型机器人的模型辨识，得到满意的逼近曲线。根据所得实验曲线，对影响实验结果的因素做了深入分析。采用不同的网络结构，通过比较验证了SDIDRNN优越的学习能力。最后，通过实验验证了所建机器人神经网络模型的有效性。以实验获得PowerCubeTM模块化机器人的末端运动轨迹数据，在相同的学习条件下，利用Elman网络和SDIDRNN辨识得到机器人的输入输出模型。以验证样本为输入的神经网络模型之输出作为机器人的关节角输入信号，结果表明SDIDRNN模型的末端轨迹比Elman模型更接近机器人实际末端运动轨迹，从实验上验证了所建立SDIDRNN神经网络模型的有效性。另外，为解决实验中发现的机器人末端轨迹误差较大的问题，根据实验特点设计了机器人关节角输入补偿策略，提高了实验中机器人末端轨迹的跟踪精度。