六维力/力矩传感器因其具备感知三维空间完整载荷信息的能力,在工业自动化、智能化进程中扮演着十分重要的角色。而基于不同解耦原理下的两类经典结构六维力/力矩传感器(Y形横梁式结构和Stewart平台式结构)在其设计和解耦算法中仍存在一些亟待解决的问题。一方面,对于横梁式结构六维力/力矩传感器,设计的前提是预知其弹性横梁的应变分布,特别是需要在不同的约束条件(测量范围、重量和尺寸限制等)下精确估算横梁表面的应变分布规律,从而进一步改善弹性结构的几何尺寸和优化应变片的布片位置。而传统的基于几何建模的有限元分析设计方法存在耗时长、效率低等问题。针对Y形横梁六维力/力矩传感器的弹性结构,本文提出了一种高效、精确的解析分析方法。详细考察了该六维力/力矩传感器弹性横梁在各轴力/力矩载荷作用下的变形特征,基于铁木辛柯梁理论建立了简化的力学模型,从而解析地得到各轴力/力矩载荷作用下弹性横梁中应变的显式表达式,最后与有限元模拟进行了对比。结果表明,解析模型给出的预测结果与有限元数值解能较好地吻合,说明了该解析模型的正确性和有效性,从而为Y形横梁六维力/力矩传感器的设计提供了高效、精确的解析手段。另一方面,在六维力/力矩传感器产品的开发中,软件解耦算法是改良其解耦性能的重要手段。而通过计算传感器标定数据伪逆矩阵来实现的传统解耦算法在受弹性结构设计、制造误差等因素影响下存在解耦不完全、解耦矩阵病态等问题。随着统计学习方法的发展,数据驱动的人工神经网络算法已显示出优良的泛化能力。针对两种经典的六维力/力矩传感器(Y形横梁式结构和Stewart平台式结构),通过有限元软件ABAQUS中Python二次开发功能自动生成了六轴随机载荷下传感器应变信号的数据集,以替代大小受限且不完备的传统标定数据集。基于仿真数据集,建立了单隐层神经网络的解耦模型,从而进一步考察了传统解耦算法与人工神经网络算法的解耦性能。结果表明,人工神经网络算法相较传统解耦方法对随机误差具有更好的鲁棒性,有效地减少了经典结构六维力/力矩传感器的维间耦合误差。