当前制造业正经历大批量个性化定制的生产时代,产品类型多变使装配生产线频繁重组。工人在这种复杂多变的装配过程中,容易出现装配顺序错误、漏装、错装等现象。一旦未能及时监测出这些装配错误,将直接影响机械产品的质量和装配效率,导致生产成本的提高。机械装配体纹理单一,缺少颜色信息。与彩色图像相比,深度图像不仅具有抗光照、色度、阴影等环境因素的能力,而且还能反应三维信息。因此本文研究了基于深度学习的机械装配体深度图像语义分割方法。通过对装配体深度图像进行语义分割,识别已装配的零部件,及时发现漏装、错装、装配顺序错误等,实现监测装配的功能。针对机械装配体领域缺乏数据集,缺少相关的机械装配体语义分割研究,小零件分割性能差、分割图像边缘模糊等问题,本文开展了以下的研究:（1）建立了机械装配体深度图像数据集。首先使用三维建模软件SolidWorks建立机械装配体的三维模型,包括装配体各个装配过程的三维模型。然后通过Mutigen Creator对机械装配体模型的各个装配阶段中的各个零件进行颜色标记,进而用OSG建立深度相机成像模型和RGB相机成像模型。通过改变深度相机成像模型和RGB相机成像模型的视点方向,合成不同装配阶段和不同视角的深度图像和标签图像。（2）提出了基于多跳跃式全卷积神经网络的装配体深度图像语义分割方法。该方法在全卷积神经网络的第二个最大池化层和第一个最大池化层引入跳跃结构,使网络融合了更多的低阶特征。实验结果表明该方法在机械装配体深度图像数据集上,实现了优良的语义分割效果。（3）提出了基于可训练引导滤波器和多尺度特征图的装配体深度图像语义分割方法。该方法首先在全卷积神经网络的第二个最大池化层引入跳跃连接获取更多的低阶特征,弥补特征图预测时细节信息不足的问题;然后在每个跳跃连接操作后紧接卷积和非线性变化来加深网络模型的复杂度,提高模型的数据拟合能力;通过融入可训练引导滤波器改善图像分割边缘模糊的问题;最后融入多尺度特征图获取不同尺度的零件信息,加强对小零件的分割能力。实验结果表明,该方法不仅提高了语义分割性能,而且改善了装配体中小零件的分割性能。与其他语义分割网络相比,该方法在装配体数据集上分割性能更优。语义分割结果表明该方法改善了分割图像边缘模糊的问题。（4）提出了基于U-Net的装配体深度图像轻量级语义分割方法。该方法在U-Net基础上融合了本文改进的选择性核模块,使网络模型可以根据获得的信息自适应调整感受野的大小,提高了网络模型提取特征的效率。改进的选择性核模块同时也大大减少了模型的参数量,降低了计算复杂度,使网络模型更加轻量化。在网络模型最后连接全连接条件随机场,改善分割图像的边缘。实验结果表明,在与其他U-Net系列语义分割网络的比较下,本文提出的方法在装配体数据集上取得了测试交并比最高值。语义分割结果表明全连接条件随机场的后处理过程改善了分割图像边缘模糊的问题。本文建立了机械装配体深度图像数据集,研究了三种基于深度学习的机械装配体深度图像语义分割方法。这对实现自动化装配监测,推动智能化制造有一定的意义。