机器人正运动学、逆运动学模型的计算,动力学模型的推导,结构参数的标定,误差的补偿,运动规划,感知与决策控制构成了机器人应用与研究的主题,针对这些主题,有着传统且久经考验的理论与方法支撑,并成功地应用到了如今成熟的工业机器人中。随着机器人技术的不断发展,各行各业对机器人的要求也越来越高,相比于传统的在封闭空间做简单重复工作的机器人,更多智能机器人例如柔性机器人、视觉伺服机器人、协作机器人、服务机器人陆续出现,并有效地解决了更加复杂的问题。智能化是机器人未来的发展趋势,因此,本文针对机器人正、逆运动学模型的计算、结构参数的标定、误差补偿、感知与决策控制提出了一套基于神经网络与强化学习的理论方法。针对串联机器人逆运动学问题以及并联机器人正运动学问题,本文采用神经网络对串联机器人正运动学数据以及并联机器人逆运动学数据进行建模,从而得到可以代替串联机器人逆运动学模型以及并联机器人正运动学模型的神经网络模型,并对神经网络模型的求解精度进行了评估,对其中存在的隐患进行了探讨,分析了原因,给出了一种基于强化学习与神经网络相融合的解决方案。为了补偿机器人工作误差,本文建立了串/并联机器人关节驱动量与关节补偿量的神经网络模型,并对补偿效果进行了评估,经过补偿,机器人精度得到了提高。本文同时还采用了基于强化学习的方法对机器人的实际结构参数进行了标定,提出了分别针对串/并联机器人的标定方法,对经过标定的机器人精度进行了评估。最后本文介绍了基于卷积神经网络的目标检测与机器人的视觉伺服控制,并成功应用在了作物管理工作中。本文中针对各个问题的理论与方法都经过了理论分析和实验验证,实验结果证明了这些方法的有效性及实用性,也证明了在机器人传统算法的基础上,辅以数据科学为核心的智能算法,可以给机器人技术带来新的突破口。