随着人工智能技术、数字化技术的迅速发展,智能算法在虚拟装配中的应用取得了飞快的进步,利用遗传算法、蚁群算法以及神经网络算法等智能算法进行虚拟装配设计早已成为虚拟制造领域的重要研究方向。相较于其它智能算法,神经网络算法因具有良好的信息获取能力与知识学习能力逐渐成为装配规划研究的重要研究方向,但由于存在局部极值和训练效率慢问题,在虚拟装配中的应用效果存在很多不尽如人意的地方。此外,在装配序列规划方面,现有方法较少对零部件本身的属性信息、装配过程信息进行分析;在装配路径规划方面,目前的研究主要聚焦于二维平面路径规划问题,而针对三维空间路径规划的研究还存在较大的研究空白。针对以上所述问题,论文开展如下研究工作:为提高神经网络算法训练效率、降低训练成本,论文基于对神经网络算法训练过程中损失函数信息以及参数更新趋势信息的分析提出了自适应梯度法（adaptive gradient method,AGM）和矢量记忆法（vector memory method,VMM）两种算法改进策略。其中,AGM通过引入参数修正项,增加训练激励,修正权重参数的更新;VMM通过建立梯度经验借鉴与损失函数检测机制减少算法的时间复杂度。通过对异或问题、模式分类问题、手写数字识别问题开展实验,检验两种算法优化策略有效性。为在多约束、多目标条件下实现装配体装配序列的智能规划,论文研究面向装配体零部件属性信息和装配过程信息的装配序列规划方法。基于碰撞干涉、序列反演构建装配体可行装配序列推演模型,通过添加零部件拆装级别、拆装优先方向条件将人工经验知识转化为求解装配序列的约束条件,减小序列求解空间,提高算法的演算效率;基于神经网络构建装配序列知识学习模型,通过对最优装配序列已知的零件部的属性信息进行学习,提取隐藏的关联知识;基于上述两个模型建立面向装配体零部件属性信息和装配过程信息的装配序列复合评价函数,实现对装配序列装配成本的综合评价。通过平口钳、航空发动机装配仿真实验,证明该方法对装配体序列规划的有效性与合理性。为实现零部件在未知空间环境中可以实时、高效地完成装配路径规划任务,论文研究面向零部件环境信息与运动信息的三维装配路径规划方法。构建零部件三维空间环境信息模型,将环境信息离散成有限个状态空间,降低信息维度;构建基于神经网络的局部避障模型,提取并分析环境信息中的障碍信息;研究基于运动学的路径规划成本分析,通过对距离代价、转向代价、路径重合激励的分析提出路径规划启发式规则,并构建运动决策综合选择概率模型与决策规则,实现对路径规划信息的实时、高效处理。通过将该方法与A*、Nav Mesh算法进行路径规划对比实验,验证方法的可行性。最后,论文基于Unity 3D、visual studio、My SQL等软件开发虚拟装配仿真系统。基于模块化设计思想和结构化设计准则进行系统结构设计,以提高平台的可移植性与适用性,并进行人机交互功能、虚拟装配仿真等功能的设计,最终实现在PC端的系统发布。