En este artículo, se propone una estrategia de control de tiempo fijo basada en redes neuronales para un robot espacial con una zona muerta de entrada. Primero, se propone un método de control basado en modelos en el marco de convergencia de tiempo fijo. Debido a errores internos y perturbaciones ambientales externas, los parámetros inerciales de los modelos dinámicos generalmente exhiben incertidumbres, y los métodos de control basados en modelos pueden mostrar desviaciones en el seguimiento de trayectorias. Para contrarrestar los efectos adversos de los parámetros inerciales inciertos en el sistema y garantizar la estabilidad del sistema de control, se propone además un método de control de aprendizaje adaptativo basado en redes neuronales. Para mejorar la tasa de aprendizaje de las redes neuronales y lograr la convergencia de los pesos neuronales en un tiempo fijo, se propone una tasa de actualización de la red neuronal combinada con la tasa de control virtual. Además, considerando el problema de la zona muerta de entrada de las juntas que afecta la precisión y estabilidad del robot espacial, se propone una nueva ley adaptativa en conjunto con la retroalimentación de la señal de error del sistema para mitigar los efectos adversos. De acuerdo con la teoría de estabilidad de Lyapunov, se demuestra la estabilidad del sistema en lazo cerrado, con el error de seguimiento de la trayectoria convergiendo a un pequeño vecindario alrededor de cero. Finalmente, los resultados de simulación numérica demuestran la efectividad del algoritmo de control.