农业机器人已经被越来越广泛的运用到果蔬采摘、加工等作业环境中,经常需要末端执行器进行抓取作业,但在非结构化环境中,作业对象的刚度、形状、纹理、温度等信息往往不被所知,因而无法采用合适的抓取策略来实行抓取,会造成抓取对象的滑落或者果蔬的损伤。因此在未知的环境中进行抓取操作时,需要农业机器人能够获取果蔬表面的特性从而判断物体的性质采取合适的抓取策略,来使机器人能够稳定抓持果蔬。为此,本文以采摘机器人抓取系统为研究平台,从触觉传感器研制、触觉信息特征提取、特征选择、样本训练与分类等方面进行了深入研究,主要工作如下：1)首先选择适于进行触觉信息检测的传感器元件PVDF压电薄膜和电阻应变片用于触觉传感器的制作,分别采用四个PVDF压电薄膜传感器元件和四个电阻应变片通过随机分布的布置方式制作一款模仿人皮肤特点的仿人型触觉传感器用于果蔬表面特性的研究。为确保输出信号的有效性,将所要制作的传感器模型导入ANSYS有限元分析软件进行力学分析,通过软件分析确定传感器元件布置位置,应尽可能将微小输出的传感器元件布置在传感器的中间区域。2)搭建了触觉信息检测平台,在硬件上,选择DH5853电荷放大器和DH3841应变放大器用于压电薄膜和电阻应变片信号的放大；利用力敏电阻作为敏感材料制作了一种指力传感器,以指力传感器的信号作为反馈,用于控制被测样品与手指之间的夹持力；在软件上,采用LABVEIEW编写多通道数据采集程序,用于多通道数据的同时采集和存储。实际实验表明,所选用的放大器能够很好的实现信号的放大,所制作的指力传感器能够稳定用于控制手爪与样品之间的夹持力,所编写的数据采集程序能够实现多通道数据的同步采集与存储。3)选用三种研究对象：苹果、哈密瓜、黄瓜,以触觉信息检测平台采集了三种样品各200组样品数据,总共为420组数据。对于采集到的每个样本数据包含四个压电薄膜信号和四个电阻应变片信号,提取出16个特征来表示每个样本,分别是四个压电薄膜信号的信号最大值Max,信号最小值Min,信号最大值与最小值之间的差值dk,dk=|Max-Min|,四个电阻应变片信号的信号最大值与最小值之间的差值dk,dk=|Max-Min|,选用三种分类器进行分类,分别是：支持向量机,BP神经网络,决策树,分类结果分别为：89.99%,93.49%和92.29%,分类结果表明三种分类方法的准确率都可达90%左右,证明所设计的触觉传感器能够用于区分具有不同表面特性的物体。4)对于提取出的16个特征进行了特征评价与选择,首先采用一种改进的特征评价方法NG-score值来对特征进行评价,计算得到各个特征的NG-score值大小,计算结果表明特征1、2、3、4、5、6的NG-score值较大,即这些特征对于分类的贡献率较大。提出了结合Filter模型和wrapper模型的特征选择策略,将NG-score值由大到小依次加入构成特征子集,若对分类性能有提高则入选最优子集,若降低则不入选。经过特征选择算法,选择出(3,6,2,5)为支持向量机最优特征子集,准确率89.394%,(3,6,5,4,12)为BP神经网络最优特征子集,准确率为93.737%,(3,6,2,5,4)为决策树最优特征子集,准确率为93.978%。分类结果证明了以最优特征子集进行分类既能保持原有系统的分类性能,又降低了数据集维数,简化了计算。