装配作业决定着产品的质量水平、工作性能和后期维护难易程度等一系列属性,所以在制造业体系中占据着重要地位。对比人工操作的流水线装配作业,装配机器人具有作业稳定性高和生产效益高的巨大优势,目前装配机器人控制方式仍以示教或离线编程为主,系统的灵活性较差、示教工作量较大以及对不同零件尤其是堆叠遮挡零件的识别定位准确率较低。针对上述问题,本课题将深度学习、机器视觉与装配机器人结合使用,提高了装配系统对不同零件的识别定位准确率,对促进未来装配机器人高速化和智能化地发展具有重要理论研究价值。本文针对基于深度学习与机器视觉的装配机器人关键技术研究如下:（1）论述了工业机器人自动化装配作业中零件识别定位工作的重要性,选用五种常见工业零件作为识别定位的目标,通过分析待识别零件的两种来料情形以及结合实际生产效益,针对零件无堆叠遮挡的情形,选用基于模板匹配的方法进行研究,针对零件存在堆叠遮挡的情形,选用基于深度学习的方法进行研究。设计并搭建了基于单目视觉识别定位的装配机器人系统平台,完成了对机器人模块和视觉模块的设计和选型,使用张氏标定法获取单目视觉成像模型中的相机参数,并使用九点标定法建立本文所选直角坐标机器人与单目相机的坐标变换关系。（2）针对无堆叠遮挡情形下的零件识别与定位,选取螺母和两种定制垫圈作为研究对象,提出的改进Retinex增强算法解决了螺母边缘低对比度问题,使用改进双边滤波能够较好地平滑零件图像,对PIO算法进行改进并将其应用于快速求取阈值分割的最优阈值,为后续提取和匹配垫圈零件轮廓特征做准备。选用性能稳定的基于Hu矩轮廓匹配方法实现了对两种垫圈的准确识别,并根据两种垫圈的结构特性设计了相应的位姿确定方法,最终可求解得到不同垫圈对应的质心坐标和旋转角度。（3）针对存在堆叠遮挡情形下的零件识别与定位,采用深度学习目标检测中的YOLO算法进行处理,通过分析算法不同版本的改进和不足,最终基于最新的YOLOv5算法进行研究和改进。针对YOLOv5算法如何在保持检测精度不变情况下实现降低网络模型的参数量和运算量的问题,使用基于Ghost Net的网络模块对其进行轻量化改进;针对YOLOv5算法检测堆叠遮挡零件的性能仍存在欠缺的问题,引入混合域注意力机制CBAM和改用滤除准则更为友好的DIo U-NMS对其进行感受野和预测框方面的改进。通过在自制零件图像数据集上对改进前后的算法进行训练和测试,发现本文改进算法在轻量化网络模型的同时仍较原始算法在m AP上有1.2%的检测精度提升,最终能够在模拟的不同来料情形下实现准确的零件检测。（4）针对目前公开数据集中有关工业零件的图像数量较少的问题,通过网络收集了2243张常见工业零件的图像,然后自行制作了包含有螺母、螺栓、垫圈、齿轮和联轴器的零件图像数据集,为进一步提高零件图像的色彩丰富性和位姿丰富性,使用基于仿射变换和色彩变换的数据增强方法将自制零件数据集扩增到7200张。通过扩充数据集,本文提出的改进YOLOv5网络模型在训练时没有出现过拟合现象,并有效保证了训练得到的网络预测模型的检测精度。（5）使用C#Winform程序结合OpencvSharp视觉库对系统上位机软件进行界面设计和算法封装,完成了相机模块、标定模块和零件识别定位模块的开发,最终利用矩阵关系将零件图像处理结果变换为机器人坐标,对零件的定位精度可达0.25mm。使用改进YOLOv5算法对采集的包含不同零件的测试集进行检测,实验表明,检测模型对堆叠遮挡零件测试集的平均识别准确率能够达到83.8%。