En este artículo, se estudia un mecanismo paralelo espacial con cinco grados de libertad para proporcionar un modelo dinámico prometedor para el diseño de control. Según la cinemática inversa del mecanismo, el modelo dinámico se deriva utilizando el método de Lagrange, y se adopta la co-simulación utilizando MSC ADAMS y MATLAB/Simulink para verificar el modelo dinámico establecido. Luego, se introduce una red neuronal profunda (DNN) preentrenada para predecir el estado en tiempo real del efector final del mecanismo. En comparación con el método tradicional de Newton, el método DNN reduce el costo del cálculo de la cinemática directa mientras asegura la precisión de la predicción, lo que permite la compensación dinámica basada en señales de retroalimentación. Además, se implementa el control de torque computado con compensación de retroalimentación basada en DNN para el seguimiento de trayectorias del mecanismo. Las simulaciones muestran que, en el caso más complicado que involucra fricción y perturbaciones externas, el controlador propuesto tiene un mejor rendimiento de seguimiento. Los resultados indican la necesidad de modelado dinámico en el diseño de control con alta precisión.