在现代制造业中,零件装配是工厂生产中的一个重要环节。随着机器人自动化技术的兴起,工厂中越来越多的工作可以被机器人代替。然而在零件装配环节,尚未实现大规模的机器人应用。主要原因是装配环境较为复杂,对机器人的感知和自适应能力要求较高。用传统的机器人编程方法去实现零件装配,往往由于无法实现装配过程中的柔顺性而发生卡阻,导致装配失败。与机器人相比,人类能够灵活快速的完成零件的装配任务。通过引入人类经验对机器人进行示教学习,不仅可以解决上述零件装配问题,而且可以扩展到其它的机器人应用领域,对未来机器人技术的发展具有重要意义。本文拟对机器人轴孔装配过程中各阶段的学习控制问题展开研究,使其具备类人的柔顺装配能力。根据轴孔装配的特点,将装配运动分为两个阶段:趋向装配目标的快速移动阶段和抵达装配目标后的位姿调整阶段。根据不同阶段各自的特点,利用不同的机器人学习算法进行示教学习。在趋向装配目标的快速移动阶段,建立了基于动态运动基元算法的控制模型。针对传统动态运动基元方法在目标泛化上的不足,在模型结构上进行了一些改进,保证示教学习后生成轨迹更加稳定。考虑到快速移动阶段空间中可能存在的障碍物,在动态运动基元模型上加入人工势场函数进行避障,保证了机器人在空间中快速安全的移动。位姿调整阶段是整个轴孔装配过程中最关键的部分,本文对位姿调整阶段进行了接触力分析,确定了影响装配运动的控制变量。针对示教数据的不同步现象,使用动态时间规整算法完成了数据在时间序列上的统一。以高斯混合模型为基础,建立了轴的控制变量与状态变量之间的非线性映射关系,并通过期望最大化算法对模型的参数进行了求解。为了验证示教学习算法的有效性,在Barrett WAM机器人上进行了轴孔装配实验。分别为轴孔装配的两个阶段设计了不同的控制器,为增加装配过程中的柔顺性,在学习控制器和机器人中间加入了阻抗控制器,提高了装配的成功率。最后实验表明,基于示教学习的控制算法,不仅提高了机器人轴孔装配任务规划的效率,而且使机器人在装配过程中对复杂环境具有一定的自适应能力。