由于工业机器人的持续发展与完善,目前装配机器人被广泛应用于各种工业领域,主要完成装配手机、汽车,机械装置、电子产品及其组件等的任务。装配机器人也从早期的程序控制型发展到示教型再发展到目前主流的智能型,其装配柔性和智能程度越来越高。目标识别和路径规划也是装配机器人具备的重要能力之一,决定着其柔性和智能化程度。深度学习在机器视觉等诸多领域内均获得了重大成功,在装配机器人的目标特征识别和路径规划领域使用深度学习代替传统控制方法,可以显著提高其柔性及智能化程度。针对具体的装配任务,深度学习的集成应用可以提高目标特征识别和路径规划的泛化能力,弥补传统方法的缺陷。本文针对法兰装配任务,建立了装配系统框架,并搭建了仿真环境。首先研究了相机标定和机器人手眼标定的机理并完成了标定任务。基于Coppelia Sim对相机、机器人、系统结构进行仿真建模,搭建了用于装配机器人仿真的虚拟环境,并研究了使用外部应用程序控制Coppelia Sim仿真的控制方法。应用了一种基于SSD算法的特征识别方法对法兰孔识别定位,设计了一种基于深度信息图对法兰端盖轮廓识别的方法。首先建立了基于SSD目标识别算法的法兰装配特征识别网络,对生成的一系列固定大小的边界框内所包含的物体类别进行预测,最终所有边界框经过非极大值抑制环节后生成预测结果,并与传统的法兰识别结果做对比分析。为了给机器人抓取提供位置信息,实现了基于深度图的法兰端盖轮廓检测,并在仿真环境中进行验证。设计了基于深度强化学习的机器人操作路径规划方法,并在仿真环境中对操作路径规划及系统装配过程进行仿真验证。建立了基于深度强化学习的机器人操作路径规划的神经网络模型框架,制定机器人末端到达目标位置作为马尔可夫决策过程的任务,经过试验后根据经验设计了合理的状态空间、动作空间及奖励函数设置方案,利用多层感知机网络模型近似表示Q学习中的动作-值函数,通过最大化Q函数来选择最佳移动动作。最后在Coppelia Sim中进行了操作路径规划及装配过程仿真的仿真验证。