机器人的编程一直是国内外学术界和工业界探讨解决的问题。经典的编程方法有示教编程、离线编程、引导编程以及遥控编程。这些编程方法因其独有的优势在实际生产和研究中取得了很多应用。目前在装配领域新的应用需求越来越要求机器人的智能化,特别是在小批量、短周期产品需求上,应用领域也更加广泛,这对机器人编程、校正、认知能力都是新的挑战。因此演示编程成为其中的最大热点,然而很多的研究将人的演示直接转化为机器人程序。因为装配过程的复杂性和人演示的不确定性,对机器人的直接编程通常很困难,特别是对装配过程中的小工件,因为小工件的装配误差很小并且装配过程不好控制。这是直接演示编程尚未在工业中广泛使用的原因之一。本文将演示人的装配技巧先提取出来,使机器人能模仿人的装配技巧并进行自动编程和自动优化装配过程,正是在这种背景下提出的一种创新研究。本文主要基于传统的演示编程,为解决现有的机器人装配学习过程复杂、编程技术要求高等问题,对机器人的演示编程方法进行改进。主要需将完整的装配过程分解成单步的装配序列,并通过对预训练好的单步装配过程的手势动作识别,生成机器人装配序列,以实现机器人的演示编程过程。首先通过MYO手环及数据手套对演示人单步装配过程中的sEMG信息、惯性信息及手指弯曲角度等多源信息进行采集;然后通过装配手势识别算法识别装配动作使机器人学习装配过程;进而获得演示者的装配经验,以提高对装配对象相对位置变化和环境变化的适应性。本研究提出了一种深度确定性策略梯度算法（DDPG）来修改装配参数,深度强化学习算法可以使机器人抵抗外部干扰因素对装配环境的影响,依然能完成装配任务。最后使协作机器人复现装配动作过程,并在摄像机位置变化、轴孔相对位置变化等外界环境干扰下,通过深度强化学习算法优化装配过程,提升装配再现过程鲁棒性。在协作机器人演示编程中,演示者的单步组装过程中提取的多源信息的数据特征是通过一维卷积和池化过程自动提取惯性信息和sEMG信息特征。针对基于Alexnet改进的装配手势识别网络及采用迁移学习方法基于手语识别网络结构（基于VGGNet改进）微调的装配手势识别方法分别进行验证,本文提出的两种装配手势识别方法平均识别率同传统的机器学习算法（SVM）及全连接网络相比均高出3%以上。此外,针对在线识别过程,引入了孪生神经网络作为验证模型,提升了装配手势在线识别效果。通过对实验室自主搭建的全向移动平台的操控实验对手势识别算法的实际应用效果进行了验证。在协作机器人演示再现过程优化实验部分,设计了两种强化学习环境搭建方案。第一种方案是基于MKCF跟踪算法的轴孔在图片中的相对位置作为状态输入的方案;第二种方案是基于采用VAE算法对轴孔图片进行编码解码训练,取其编码结果作为状态。两种方案均采用基于策略的DDPG连续深度强化学习算法,在相机空间位置及角度发生改变和空间中轴孔的相对位置产生突然地变化等外部环境干扰下,机器人手臂可以根据预训练的深度增强学习算法的策略模型自动调整手臂末端的空间位置,进而实现轴孔装配的演示学习。本文提出的基于演示编程的智能装配技术,首先通过MYO及数据手套等可穿戴设备对演示人的自然装配过程中的sEMG及惯性信息进行提取,然后采用深度学习网络算法识别演示者在完整装配过程中的的装配手势动作,生成机器人装配序列,进而使机器人学习装配过程。最后,通过深度强化学习算法对装配再现过程中外界环境因素的干扰进行调整,增强了智能装配系统的鲁棒性及稳定性。