轨迹规划是机器人高性能运行的重要前提和保证。连续轨迹对精度要求较高,现有连续轨迹规划算法计算量大,针对连续轨迹的规划算法仍有待研究和发展。现有最优轨迹规划算法依赖于动力学建模,过程繁琐复杂且计算量大。PID控制器是工业中最经常使用的控制器,由于机器人动力学非线性特性和不确定干扰,设计和调节PID控制器参数以达到高精度跟踪控制非常困难且繁琐。本文针对这些问题,假设动力学模型未知并基于PID控制器进行轨迹规划算法的优化与理论分析和仿真,开展实验研究。针对机器人运行指标要求,提出了一种具备智能学习能力的轨迹规划方案。通过分析机器人在实际加工中遇到的问题,设计了智能轨迹规划算法的整体方案,包括机器人轨迹规划模块,离线学习模块以及在线学习模块。轨迹规划模块通过建立运动学模型得到机器人正逆解关系,使用样条插值对几何轨迹进行处理,通过建立小线段数学模型并使用前瞻算法对连续轨迹进行速度规划,插值后得到稳定可运行的轨迹。离线学习针对机器人非重复轨迹因为模型误差造成的跟踪误差问题,通过设计神经网络结构和输入特征选择,利用神经网络强大的模型拟合和泛化能力,使用机器人运行数据训练神经网络进行精确模型拟合,使得模型学习到理想轨迹与对应参考轨迹的映射关系。给定每条理想轨迹作为神经网络模型输入,训练好的神经网络模型生成新的参考轨迹作为输出状态,机器人系统通过跟随新的参考轨迹达到降低运行误差的目的。在线学习针对机器人重复轨迹的跟踪误差和外部环境重复扰动问题,设计基于迭代学习和径向基函数神经网络的在线学习算法,其中具体包括迭代学习框架的设计,神经网络结构的设计,神经网络学习率的设计以及在线学习稳定性的证明。根据机器人重复轨迹每次运行的实际误差,在线学习算法更新神经网络参数生成新的参考轨迹给机器人运行,直至跟踪误差降低到阈值之下,其中神经网络的学习率结合李亚普诺夫函数设计,保证了学习过程的稳定性。经仿真和实验验证,基础轨迹规划算法能够在较小的计算量前提下满足性能要求;离线学习算法能够有效降低非重复轨迹的跟踪误差60%左右;通过不断迭代学习,在线学习算法能够降低重复轨迹的跟踪误差80%左右。