随着经济的发展和科技的进步,果蔬采摘、搬运、分级和加工等作业正朝着机械化方向发展。在这些作业过程中,机器人通过末端执行器直接施加作用力作用在果蔬表面上,随着机械化作业的普及,导致果蔬受外力作用的机会和时间越来越多。而果蔬是粘弹性体,当作用力大于一定值后,末端执行器就会对其造成机械损伤,所以在采摘果蔬过程中能获得被抓果样的粘弹性参数具有重要意义。为了使采摘机器人在抓取水果和蔬菜的过程中可以对被抓对象的粘弹性力学参数进行快速估计,以实时优化抓取过程,减少末端执行器对被抓取对象造成机械损伤,本文利用两指机器人末端执行器对随机选择的番茄果实进行了抓取试验,设计了估计番茄粘弹性参数的网络模型,实现了机器人抓取过程中对被抓果样粘弹性参数快速估计的目的;在此基础上对抓取力的范围进行了估计,为在线优化抓取力提供了依据。主要研究内容如下:（1）利用TMS-PRO质构仪对随机选择的两种不同成熟度的番茄样本进行蠕变试验,选择Burgers模型来描述番茄的蠕变特性;并使用Origin 8.0软件中的自定义函数拟合功能,输入Burgers模型的微分方程对番茄样本蠕变试验数据进行拟合,即得相应的粘弹性参数和拟合系数。（2）构建了估计番茄粘弹性参数的BP神经网络模型,通过多次试验比较的方法,确定了网络的拓扑结构和参数,并利用质构仪试验实测数据对网络进行了训练,测试了网络模型的粘弹性参数估计性能。（3）针对BP神经网络收敛速度慢、容易收敛于局部极小点等缺陷,引入遗传算法对番茄粘弹性参数估计模型的权值与阈值进行优化,以提高网络的预测精度。并通过仿真试验对比优化前后两个网络模型的预测效果,发现GA-BP神经网络模型的粘弹性参数估计性能高于优化前的BP神经网络,验证了该算法的有效性。（4）利用WSG 50两指机器人末端执行器对随机选择的两种成熟度的番茄样本分别进行了实际抓取试验,记录试验过程中抓取力、变形量随时间变换的数据,将抓取过程前0.6秒的试验数据分别输入粘弹性参数估计模型在线计算输出几个番茄样本的粘弹性参数。（5）将模型预测输出值与质构仪实测值进行比较,发现在抓取过程0.2s以后,粘弹性参数估计值相对误差均小于20%。因为在线优化需要能够尽快的对被抓对象粘弹性力学特性进行估计,所以可将0.2s时刻的抓取力、变形量和时间输入已训练好的GA-BP神经网络模型来估计被抓对象的粘弹性参数,为在线优化抓取控制策略提供参数依据。（6）在番茄压缩率水平不高于4%条件下,利用0.2s估计得到的粘弹性参数计算出最大抓取力,结合稳定抓取的最小抓取力,确定了抓取力的取值范围,为抓取力的控制提供了依据。