随着工业生产中自动化进程的不断深入,工业机器人的应用愈加广泛,对控制性能的要求也持续提高。一方面,工业机器人的动力学参数具有高时变性,要保证良好的轨迹跟踪精度就必须识别机器人动态变化的动力学参数,及时调整控制力矩;另一方面,装配、打磨以及搬运等工业机器人与外部环境动态交互的任务正快速增加,这要求机器人根据任务需要在与环境的交互中表现出恰当的阻抗特性和柔顺性,避免机器人本体和工件的损坏。针对上述在工业机器人发展过程中出现的新任务和新要求,本文以工业机器人的动力学参数辨识和自适应阻抗控制为主题进行研究。首先,针对机器人动力学参数不确定、传统参数辨识方法参数收敛速度慢等问题,建立了具有高参数收敛速度的最优有界椭球神经网络动力学参数辨识方法,分析了此辨识方法的收敛特性。并进一步设计了以此为基础的自适应控制方法,通过李雅普诺夫方法分析其稳定性,从理论上保证了追踪误差的部分渐进收敛性,通过与其他控制方法的对比说明了其在跟踪精度和对外部负载变化适应能力上的优越性。之后,针对阻抗控制中阻抗误差因动力学参数的不准确和时变特性而不能收敛的问题,展开了自适应阻抗控制策略的研究。将最优有界椭球神经网络自适应控制方法引入阻抗控制策略的位置内环,以实现对未知动态的补偿和对阻抗控制信号的准确跟踪。还建立了六维力传感器信息解算算法,实现笛卡尔空间内机器人与外部环境的接触力的精确感知。仿真试验验证了此策略的有效性。最后,搭建了基于Simulink Real-Time框架的硬件在环机械臂实验平台。进行了含负载变化的参数辨识和轨迹追踪实验,验证了基于最优有界椭球的参数辨识和自适应控制方法的有效性。还在此平台进行了阻抗控制实验,结果表明本文提出的自适应阻抗控制策略可明显减少与环境接触时的振荡,并有利于阻抗模型的精确追踪和阻抗特性的稳定表达。综上,本文的研究为工业机器人的动力学参数辨识提供了一种基于最优有界椭球神经网络的新方法,给出了与新辨识方法相匹配的自适应控制方法和阻抗控制策略,为工业机器人的性能提升提供了可行的方案。