非线性系统的分析与控制一直以来都是控制领域的研究热点,其特点为耦合性高、不确定性和时变性强,导致非线性系统的模型获取和控制面临着很大的挑战。Koopman算子理论为非线性系统的建模与控制提供了新的思路。不同于神经网络、高斯过程等黑箱模型,Koopman算子能够从系统运行数据中挖掘系统动力学信息并建立显式的高维线性模型,将Koopman算子与基于模型的线性控制方法结合具有很好的理论价值与实际意义。本文以一台全方位移动机械臂为被控对象,基于Koopman算子理论,结合模型预测控制算法研究了在模型参数及动力学模型完全未知的情况下纯数据驱动的全方位移动机械臂轨迹追踪控制问题。主要研究内容如下:首先,针对全方位移动机械臂的强耦合性、参数不确定性等导致的建模复杂问题,本文基于Koopman算子理论基础,利用扩展动力学模态分解方法,并针对平台特性提出了电压数据预处理方法,获得了高精度的全方位移动机械臂Koopman线性模型,并利用该模型设计了线性二次调节器。在仿真及实验中能够将全方位移动机械臂状态从非零初始位置镇定到零点附近,验证了Koopman线性模型用于控制器设计的有效性。然后,在Koopman高维模型的基础上,将凸优化的线性模型预测控制方法应用到非线性系统控制中。另外,针对基于Koopman的模型预测控制器抗扰性差的问题,设计了基于并发学习的Koopman模型预测控制器,提升了控制算法的鲁棒性。证明了闭环控制系统轨迹跟踪误差的有界性,并通过仿真和实验验证了所设计控制器的有效性。最后,针对所提出的Koopman自适应模型预测控制器稳态误差较大的问题,提出了一种基于非线性干扰观测器补偿的Koopman模型预测控制方法。首先建立了包含不确定性的Koopman高维线性模型,构造了一种离散非线性干扰观测器,利用该观测器来获取Koopman高维线性模型与真实模型之间的不确定性估计,并设计了补偿不确定性的控制律,提高了系统的鲁棒性并减小了稳态误差。最后通过仿真和实验验证了该算法的优越性。