移动机械臂拥有移动机器人工作空间的广阔性以及工业机器人运动的灵巧性,在工业生产、国防军事和家庭服务等领域有着广泛的应用。在移动机械臂控制过程中,模型参数不确定、外界干扰、力矩饱和等问题时刻影响着移动机械臂的控制效果。综合考虑这些因素,设计满足高精度、高速度要求的轨迹跟踪控制器是移动机械臂研究的重点和难点。本文首先对六自由度非完整移动机械臂进行了统一运动学和动力学建模,针对力矩饱和问题,结合Backstepping控制和滑模控制提出了基于神经网络的Backstepping滑模自适应控制。利用神经网络补偿系统的动力学不确定部分,采用参数自适应补偿神经网络逼近误差和力矩饱和部分。其次,针对移动机械臂关节速度和加速度信号难以获取的问题,提出基于模糊小波网络观测器的Backstepping动态面控制。将驱动电机的非线性动态模型加入到系统控制器设计中,给出更易实现的电压输出控制方式。利用模糊小波网络补偿机器人系统和驱动电机模型的不确定部分,设计观测器估计关节速度,利用动态面技术避免了虚拟控制求导导致的计算量过大问题。最后,为避免在关节空间轨迹跟踪之前进行复杂的轨迹规划并且使控制任务变得简单高效,提出了移动机械臂的任务空间轨迹跟踪。利用RBF神经网络分别对系统的运动学不确定性和动力学不确定性进行了在线建模和自适应补偿,基于Backstepping动态面控制设计控制器,在不需要测量移动机械臂末端执行器速度信号的情况下,实现其末端位置跟踪。基于李雅普诺夫稳定性定理,对本文所提算法均给出了稳定性证明,并且通过仿真实验验证了算法的有效性并分析优缺点。