机械手自适应抓取能力是机器人具备复杂操纵能力的基础,其外部环境交互与感知能力对提升其自适应性至关重要。非结构环境下,被操作对象在材质、形状、种类、表面特性等方面差异明显,这对机器人的感知能力提出了更大的挑战。单一的视觉感知技术已经难以满足机器人日益复杂的抓取要求,但要使机械手具备人手一样的操作能力,如何综合利用机械手的触觉感知信息和视觉感知信息仍是机器人自适应抓取研究的重点和难点。因此,开展基于视觉和触觉感知的机械手自适应抓取研究具有重要意义。本文基于YOLOv5n、时空卷积神经网络、多流神经网络等深度学习模型,针对机械手抓取过程中的触觉感知和视觉感知,开展基于触觉感知的接触区域检测和滑动检测以及视触信息综合利用等方面的研究,以提升机械手对不同形状、重量和软硬度物体自适应抓取的能力。本文的主要工作如下:（1）机械手抓取的多尺度触觉图像。针对目前机械手自适应抓取对高精度传感器的强依赖性,以及传统阵列式触觉信息获取装置存在工艺复杂、分辨率低、成本高等问题,基于硅凝胶弹体观测原理研发了一种低成本、简单高效的图像观测类触觉图像序列采集装置。在此基础上,提出了一种基于ORB特征匹配算法的多尺度触觉图像序列特征提取算法。该算法能够增强所采集数据的差异性,提升了后续模型训练的效率。（2）基于YOLOv5n的触觉接触感知模型。针对传统图像处理触觉图像特征容易受到不均匀光照的影响,构建了基于YOLOv5n的触觉接触感知模型。通过迁移学习的方法训练所构建的模型,实现了精度可达97%的抓取区域检测,具有良好的实时性。（3）基于可分离卷积和改进时空卷积模型的触觉滑动检测模型。针对机械手抓取滑动检测数据难以获取的问题,提出了一种基于触觉接触区域检测的视频数据增强算法,建立了触觉滑动数据集。针对时空神经网络的网络模型大、计算资源消耗多的问题,基于可分离卷积实现时空卷积神经网络的轻量化。基于此,构建了轻量化的滑动检测模型,仿真结果表明:滑动检测模型大小减小为原来的5%,滑动检测精度达到97%。（4）基于双流神经网络的视触滑动感知模型。针对机械手抓取过程视觉和触觉信息的综合利用效率不高的问题,构建了双流神经网络模型,增强了机械手滑动感知的能力。针对机械手抓取过程中视触信息冗余问题,设计了一种基于注意力机制的信息流动态门控结构,提升了模型的计算效率。（5）机械手自适应抓取实验。为了验证算法和模型的有效性,搭建了融合视觉和触觉的机械手自适应抓取实验平台,针对不同形状、大小、重量以及软硬度的物体进行了抓取实验。能够综合实现85%的自适应抓取成功率,实验结果验证了所提出的基于视觉和触觉的机械手自适应抓取模型和算法的可行性、有效性和先进性。针对非结构环境下机械手抓取未知物体自适应性不足的问题,本文主要围绕机械手的感知能力进行研究,构建了基于视触觉的机械手自适应抓取模型,降低了机械手抓取感知中对高精度传感器的依赖,增强了多任务的自适应性,为推进机器人执行智能抓取任务提供了新的方法和理论。