目前针对智能分拣的机器人多为刚性制造,且大多搭载机器视觉系统实现目标识别与抓取。具有更高安全系数及生物无害性的软体机器人的出现,引导机器人发展进入新的探索空间,其嵌入的触觉传感器也拓宽了机器人的感知视角。因此研究基于软体机器人触觉信号的分拣方法对于提升生产生活智能化程度、探索智能制造新兴发展领域、增加经济效益都具有重要意义。本文基于软体机器人触觉的分拣方法,确定了机器人分拣系统的总体设计方案,主要包括硬件平台与软件系统。硬件平台作为后续的实验平台包括了搭载了软体手的UR5机械臂、数据采集设备、驱动设备等;软件系统作为实验过程中的控制终端决定分拣过程的开始与结束,且软件界面会可视化分拣结果。硬件平台与软件系统通过TCP/IP协议实现通信。针对时序信号领域的触觉数据集较少的问题构建了包含电机数据的数据集TAM（Tactile and Motor,TAM）,并设计有监督深度学习网络实现物体分类。本文选取八种生活中常见的不同形状与软硬程度的物品,通过软体手抓取并采集触觉数据。采用随机滑窗样本划分算法实现样本增强,在构建的数据集上达到94.8%的准确率,同时在多种机器学习算法上验证数据集的可分性,分类准确率均为95%以上,最后在实验室环境下在线分拣实现88.77%的成功率。针对物体分拣数据集数据量庞大导致的标注费时费力问题,开展对无标签数据的研究,提出基于自监督表征学习的机器人分拣方法。采用自监督表征学习中的对比学习方法,设计新的正样本构建方法有效提高模型潜在特征的学习能力。随后选取经典基准方法在多种数据集上与本文方法对比从而验证有效性,最终本文所提方法取得了优异表现,且与第三章的有监督方法对比下TAM数据集的离线分类准确率提高了0.9%。本文通过总体设计的包含硬件平台与软件系统的基于软体手的机器人分拣系统,验证了基于触觉的信号的有监督深度学习机器人分拣方法与自监督表征学习机器人分拣方法,并在离线和在线环境下均取得优异性能。