随着机器人运动学、控制理论、图像处理技术与生物医学的迅猛发展,外骨骼机器人技术吸引了一大批科研人员的注意。在过去的几十年中,外骨骼机器人与临床医学的结合可以增强人类的肌肉力量并持久地进行繁重负载任务。作为一种新型的康复医疗手段,外骨骼机器人在康复训练、智能控制等领域具备着极大的应用潜力。本文针对外骨骼机器人系统,设计了自适应阻抗控制器,实现机器人安全、稳定、可靠的控制。基于相关研究的基础上,本文提出了两种自适应阻抗控制方法,并以实验室自主研发的外骨骼机器人为实验平台实现这两种控制方法。第一种是基于sEMG信号的自适应阻抗控制方法。通过采集人的表面肌电(surface electromyography,简称sEMG)信号,可以发掘神经元控制中更深层次的机制,如阻抗调节机制。该方法首先构建了sEMG驱动肌肉骨骼模型,通过该模型获取人的阻抗信息,再将其传递到机器人上进行期望阻抗模型设计。考虑到存在未知的死区输入与缺乏对机器人动力学模型的认知的情况,利用径向基神经网络(RBFNN)近似死区特性与机器人未知动力学模型。且在系统状态不完全可测的情况下,通过高增益观测器对不可测量项进行估计,设计了输出反馈控制。另一种方法是基于强化学习算法的双环自适应阻抗控制方法。双环控制策略将控制环路解耦为机器人导向型内环控制环路与任务导向型外环控制环路。强化学习算法是一种机器学习算法,它和监督学习不同,它不需要先验知识,而是通过不断试错与环境交互获的策略的改进方法,它具有自我学习和在线学习能力。通过强化学习算法对最优的人-机阻抗模型进行学习,采用模型参考自适应方法设计控制器。并且考虑到状态约束情况,设计了新形式的屏障Lyapunov函数(BLF),实现期望的闭环系统的目标性能。最后通过相关的实验验证了这两种控制方法的有效性与可靠性。