严重的高压输电线路覆冰会导致杆塔倾斜、倒塌、断线及绝缘子闪络，由此引起的线路跳闸、供电中断等事故给工农业生产和人民生活造成严重影响。采用机器人除冰具有无人员伤亡、无需停电和转移负载等优点，无需除冰作业时还可作巡检用途，其发展前景广阔。输电线除冰机器人工作在柔性输电导线上，在运行过程中需要翻越各类障碍物。受到环境风载等外部因素和机械振动等内部因素的影响，都可能造成越障过程中出现脱线情况，要实现除冰机器人自主抓线难度较大。常规的控制方法难以保证自主抓线控制精度，存在过于复杂、无法保证控制实时性等问题。所以，设计满足控制精度要求、简单可靠、实时性好、便于实现的机器人手臂抓线控制方法是除冰机器人关键技术之一。本论文围绕该技术开展了深入的研究，主要研究工作如下：1.论文对除冰机器人越障过程中抓线控制问题的难点进行分析，基于除冰机器人三关节手臂的结构特征，建立了三关节手臂的运动学和动力学模型，该模型在本文并且可在相关研究中得到应用。2.论文提出一类离散空间基于增强学习的抓线控制方法。根据经典增强学习控制方法可在线学习、易于实现的特点，论文提出基于Q学习、SARSA学习的抓线控制方法，并结合资格迹方法提出基于Q(λ)学习和基于SARSA(λ)学习的抓线控制算法。论文对所提算法进行了仿真实验和比较，实验表明基于经典增强学习的抓线控制算法是有效的，能够在多次迭代后找到“目标点”，能够解决外界恶劣环境干扰未知和手臂末端姿态的不确定性带来的控制问题。3.论文提出一类连续空间基于增强学习的抓线控制算法。针对经典增强学习算法对大规模和连续空间的优化决策问题难以保证算法收敛性以及存在学习效率不高的缺点，论文研究在输电线等效为蔓叶线模型的情况下，提出一类采用KNN算法结合资格迹的增强学习KNN-SARSA(λ)算法，实现连续状态-离散动作、连续状态-连续动作的抓线控制。仿真结果表明，基于KNN-SARSA(λ)的改进抓线控制算法能够解决二维空间内状态和动作输出的连续化表达问题，与传统增强学习控制方法相比，进一步提高了控制精度，具有良好的泛化能力和学习效率。4.论文提出一类基于迭代学习的除冰机器人轨迹跟踪控制方法。针对除冰机器人可以根据手臂末端与目标点的位置误差,采用抓线策略不断调整抓线手臂的动作，具有重复性的特点，提出一种鲁棒自适应迭代学习控制器，使之在PD控制器的基础上，随着作业任务的重复执行不断提高轨迹跟踪精度。该方法对处理器的计算和存储资源消耗低，可以实现干扰为不重复，包含线性化残差的不确定机器人动力学系统的鲁棒控制。仿真和实验表明该方法能够进一步提高轨迹跟踪精度。5.论文提出一类除冰机器人不确定项RBF神经网络逼近自适应控制方法。除冰机器人是一个非线性、强耦合复杂系统，控制难度较大。该方法采用计算力矩方法和神经网络补偿控制器相结合的控制方案，推导了神经网络权值自适应调整律，证明了系统的稳定性和误差的收敛性。补偿控制器的设计基于径向基神经网络，可以在线修正机器人模型误差，具有较好的适应性。仿真实验结果表明该方法有较好的轨迹跟踪性能和鲁棒性能。6.论文提出一类除冰机器人小波神经网络的鲁棒控制方法。该方法利用小波神经网络的强非线性学习性能来逼近除冰机器人系统的未知动力学部分，同时采用一个鲁棒控制器来补偿小波神经网络的逼近误差和外部干扰。该控制器能够有效降低模型不确定性和外部干扰的影响，减少了回归矩阵的计算，通过Lyapunov函数证明了控制系统的收敛性。仿真实验结果表明，该控制方法具有很强的抗干扰能力和很好的动态特性。