Debido a los accidentes, los trastornos del movimiento de las extremidades superiores se han vuelto cada vez más comunes. El entrenamiento puede ayudar a restaurar la fuerza muscular y reconstruir la función neurológica. Sin embargo, el modo único existente tiene limitaciones para adaptarse a las necesidades de entrenamiento de las diferentes etapas de rehabilitación. Por lo tanto, este documento investiga estrategias de control de entrenamiento activo-pasivo para un robot de rehabilitación de extremidades superiores. Establece un modelo cinemático de extremidades superiores basado en el método de Lagrange y construye un modelo de dinámica de integración hombre-máquina para la rehabilitación de extremidades superiores en MATLAB (R2016a)/Simulink. Se proponen un controlador activo, un controlador pasivo y un controlador de conmutación basados en estrategias de compensación PI y de avance para mejorar la precisión del control del entrenamiento. Se planifica el momento de salida del sistema durante el entrenamiento activo para garantizar la seguridad y estabilidad del proceso de entrenamiento. Al utilizar redes neuronales para entrenar datos de muestra durante el entrenamiento de rehabilitación, se optimizan las reglas difusas y las funciones de pertenencia en el algoritmo de reconocimiento de intención difusa para mejorar la precisión del reconocimiento de intención durante el entrenamiento. Al adoptar la plataforma experimental desarrollada de forma independiente para el robot de rehabilitación de extremidades superiores, se logran el entrenamiento activo-pasivo, el reconocimiento de intención y el cambio de modo de entrenamiento. Los resultados muestran que los procesos de entrenamiento activo y pasivo son fluidos, el reconocimiento de intención de entrenamiento es preciso y la conmutación entre los modos de entrenamiento activo y pasivo es estable. Esto verifica la viabilidad y efectividad del modelo matemático establecido en el entrenamiento de rehabilitación de extremidades superiores.