随着工业生产技术的提高,机器人越来越广泛的应用于人类的日常生产生活中。然而,机器人的生产水平受限于生产环境的变化难以实现柔性化生产。通过感知外在环境,机器人可以根据获取的信息来调整自身的姿态。因此,本文提出了一种基于智能感知与学习的机器人抓取与装配方法,并在此基础上设计了机器人抓取与装配系统,并利用实验进行了验证。主要内容包括以下几个方面:首先,在智能感知层面上,基于RGB-D图像构建了一种五维抓取位姿表示方法,并在此基础设计了以接触状态（Contact states,CS）为核心的机器人智能感知方法。在执行规划层面上,以基于随机采样法的快速扩展随机树法为基础搭建了机器人运动规划框架,并利用Move IT!软件包来控制机器人运动规划。Kinect V2相机作为传感器来实现图像的获取,并利用手眼标定来完成机器人坐标转换,最终,构建了机器人抓取与装配系统。其次,为了解决非结构性环境下的混杂物体抓取成功率低的问题,提出一种基于级联神经网络的机器人抓取方法,实现了机器人自主抓取混杂物体的目标。通过Mask-RCNN（掩膜区域建议神经网络）提取抓取特征及抓取候选区域;为了在保证泛化性的同时提高检测速率,自建端到端神经网络Y-Net进一步估计抓取角度;针对目前方法难以适应混杂物体环境的问题,自建端到端神经网络Q-Net对抓取位置进行抓取可行性评估;最终获取机器人最优抓取位姿以完成机器人混杂物体抓取任务。然后,以齿轮装配工位为研究背景,提出一种复杂机器人装配过程在线学习与参数优化方法,解决了当前离线方法装配成功率低和效率低的问题。针对复杂多变的机器人齿轮装配过程,基于高斯过程回归建立机器人接触状态与机器人动作的动态模型,提出一种新的基于生成对抗的粒子群优化算法用于在线学习,生成装配关键参数优化策略,并采用支持向量数据描述方法对新颖装配数据进行检测,最终实现装配过程在线建模与参数优化。最终,在数据集以及实际场景下分别进行抓取与装配实验,抓取实验表明针对随机姿态、不同形状的不规则物体,基于级联神经网络的机器人抓取估计方法可以以较高的准确率和抓取速度获得机器人最优抓取位姿,适用于混杂物体抓取场景,泛化性和鲁棒性强。齿轮与花键轴机器人装配实验结果表明,基于生成对抗粒子群-高斯过程回归的装配方法在装配成功率与效率上均优于人工和离线方法,可以对生产线不同批次和规格的齿轮进行在线装配,满足生产线的实际生产需求。