در مسائل عملی مهندسی کنترل، غالبا سیستم ها غیرخطی و شامل عناصر نامعینی می باشند. بازوهای انعطاف پذیر به عنوان زیرمجموعه مهمی از سیستم های غیرخطی بازوهای سبکی هستند که دارای کاربردهای فراوان در تحقیقات فضایی، نظامی و سازه های مهندسی می باشند. تحلیل دینامیکی و کنترل به روش کلاسیک و برپایه مدل این سیستم ها بسیار پیچیده بوده وبستگی به دقت مدل دارد. کنترلکنندههای هوشمند از قبیل کنترل کننده های عصبی– فازی که وابسته به مدل دقیق فرایند نمی باشند، جایگزین مناسبی برای کنترل کننده های معمول محسوب می شوند. کنترل کننده های عصبی- فازی با استفاده از منطق فازی در ساختار شبکه عصبی از قابلیت تفسیر سیستم های فازی و توانایی یادگیری شبکه های عصبی بهره می گیرند. در این پایان نامه هدف ارائه یک مدل عصبی- فازی بهبودیافته برای کنترل سیستم های غیرخطی و تنظیم موقعیت بازوی انعطاف پذیر می باشد. برای نیل به این هدف دو استراتژی پیشنهاد شده است، در استراتژی نخست از مجموعه های فازی نوع دو در ساختار شبکه عصبی- فازی بازگشتی استفاده میشود، به این ترتیب مقاومت سیستم در مقابل نویز و عدم قطعیت ها افزایش خواهد یافت. با به کارگیری خاصیت خودتکاملی در شبکه دیگر نیازی به تعیین تعداد قوانین بصورت از پیش تعیین شده نمی باشد، شبکه در ابتدا هیچ قانونی را شامل نمی باشد و تمام قوانین با استفاده از الگوریتم یادگیری ساختار و پارامترها بصورت آنلاین تشکیل و آموزش داده می شوند. الگوریتم یادگیری ساختار از خوشه بندی فازی نوع دو آنلاین استفاده میکند. برای افزایش قابلیت یادگیری شبکه، پارامترهای قسمت نتیجه با استفاده از الگوریتم فیلتر کالمن بهینه سازی می شوند. در این استراتژی پارامترهای قسمت مقدم نیز با استفاده از روش فیلتر کالمن توسعه یافته اصلاح می شوند. در استراتژی دوم ساختار کنترل کننده همانند استراتژی نخست می باشد، اما پارامترهای قسمت مقدم و وزن های فیدبک محلی با استفاده از روش گرادیان نزولی بهینه سازی می شوند. در این استراتژی دیگر نیازی به تعیین پارامترهای فیلتر کالمن توسعه یافته که بایستی از قبل توسط طراح انتخاب شود، نمی-باشد. از دیگر ویژگی های این کنترل کننده یادگیری همزمان ساختار و پارامترها در هر دو استراتژی می-باشد. نتایج شبیهسازیها عملکرد بهتر این کنترل کننده را نسبت به کنترل کننده عصبی- فازی تطبیقی و فازی از لحاظ سرعت پاسخ دهی نشان می دهند.