机器人多传感系统由采集视觉、触觉、加速度、摩擦力、声音、光学等信号的多种传感器组成,机器人通过同时融合多种传感器数据以提升的全方位感知能力,理解交互对象的全局信息,如物体、纹理、硬度、材质等,从而使得机器人能够适应不完备信息约束、开放和动态的非结构化环境,极大提高机器人智能化程度。因此,本文针对传统学习方法在复杂动态场景下对交互对象（如物体、抓取状态以及纹理等）感知能力不足,提出了一系列基于稀疏统计学习的多种不同形式的多传感融合与感知方法,并在实验验证中得到了很好的效果。首先,针对单样本学习下非接触式机器人多传感系统的物体识别问题,本文提出一种单样本学习下时序约束稀疏表示方法（OSL-TCSR）。该方法分析了两种非接触式光谱的原始数据在共享子空间的相关性特征,并且建立原始数据和相关性特征数据的投影映射关系。然后,将充分耦合后的两种数据进行重构,再将重构后的多种光谱数据导入设计的时序约束稀疏表示模型中,并在此模型中对多种光谱数据的编码向量进行联合约束。通过多种分析实验验证,表明提出的OSL-TCSR相对于传统方法在单个样本学习下可达到更高的物体识别结果。其次,针对机器人多手指触觉系统的抓取状态识别问题,本文提出一种自适应多核字典学习方法（AMDL）。该方法为捕捉不同触觉样本的非线性特征相似性,采用多个基本核函数将训练样本映射到希尔伯特空间,并分别计算每个基本核对应的核矩阵。接着,提出一种自适应核权值计算方法来学习每个基本核的自适应核权值,并通过学习到的自适应核权重构造了一个复合核以探索多个手指的多维核特征。然后,使用提出的AMDL对多个手指的抓取触觉特征进行融合,以进一步探索它们之间的耦合。在此过程中,多个手指的编码向量共享相同的稀疏模式。多种分析实验验证表明,提出的AMDL可以在多指机械手抓取物体时同时有效考虑多个手指间的力关联和每个手指的多个触觉传感器间的力关联,因此相对于传统方法可以有效提高抓取状态识别结果。最后,针对机器人异构多模态系统的纹理识别问题,本文提出一种主动多模态融合方法（AMML）。该方法采用有监督时序约束字典学习来获得所有模态的不变表示,以有效地弥补不同模态间的差异。接着,设计了一种用于主动模态选择的强化学习方法,使得机器人在学习到所有模态数据不变表示后可自主选择最优模态进行融合。通过多种分析实验验证,表明提出的AMML相对于直接多模态融合避免了引入冗余模态信息,减轻了模型训练负担,提升了纹理识别效果。