Este artculo trata el problema del seguimiento de trayectorias de robots manipuladores que realizan tareas repetitivas en el espacio de tareas. Se presentan dos esquemas de control para llevar a cabo tareas de seguimiento de trayectorias bajo condiciones inciertas que incluyen dinmicas no modeladas del robot y perturbaciones adicionales. El primer controlador, control adaptativo iterativo de aprendizaje puro (AILC), se basa en el uso de una estructura de retroalimentacin proporcional-derivativa (PD-like), y su diseo parece muy simple en el sentido de que el nico requisito sobre la ganancia de aprendizaje y los parmetros de control es la condicin de definicin positiva. El segundo controlador se disea con una combinacin de AILC y redes neuronales (NNs) donde el AILC se adopta para aprender las incertidumbres peridicas que se atribuyen al movimiento repetitivo de los manipuladores robticos mientras que las NNs complementarias se utilizan para aproximar y compensar todas las no peridicas. Adems, se disea un factor de error combinado (CEF), que se compone de la suma ponderada del error de seguimiento y su derivada, para que la ley de actualizacin de la red mejore la velocidad de aprendizaje as como la precisin de seguimiento del sistema. La estabilidad de los controladores y su convergencia se demuestran rigurosamente mediante una funcin de energa compuesta similar a la de Lyapunov. Las simulaciones realizadas con un manipulador de dos eslabones sirven para verificar la eficacia de los controladores propuestos. Los resultados de las simulaciones comparadas ilustran que nuestros esquemas de control propuestos pueden llevar a cabo tareas de seguimiento de trayectorias de forma significativa.