超声成像是目前临床运用最广泛的医学成像技术之一,具有对人体伤害小,操作过程较为简单等特点,然而随着新冠肺炎（COVID-19）在全世界的流行,医护人员在超声检查中需要频繁与感染病人进行问诊接触,给医护人员带来极大的感染风险。为了降低医护人员感染COVID-19的几率,降低医护人员工作量,急需智能超声机器人代替医护人员对病患进行超声扫描工作。然而现有的智能超声机器人往往难以实现超声扫描的自动化,同时仅利用了环境单一的视觉信息,没有充分利用并结合超声扫描过程中视觉和触觉等模态的信息。基于以上背景,本文搭建了一套基于多模态信息融合的全自动超声机器人系统,结合视觉和触觉等多个模态的信息辅助超声机器人决策,具体贡献如下:（1）为了确定超声机器人扫描的范围,提出了一种基于Anchor-free的目标检测算法TTFNet-lite检测病人的胸腹。该算法在TTFNet目标检测模型基础上进行了改进,TTFNet-lite目标检测算法首先将TTFNet的骨干网络由Darknet53更改为Mobile Net V3-Large,大大降低了参数量和模型体积。除此之外,TTFNetlite还采用了Cut Mix等数据增强算法以及可变性卷积等操作。实验表明TTFNetlite目标检测网络相比TTFNet目标检测算法训练时间更短、检测精度更高,能完成实时检测病人胸腹目标的任务。（2）为了实时判断超声机器人抓握超声探头的状态,并控制超声扫描过程中探头的稳定,提出了一种基于宽度学习系统的实时触觉感知与分类的方法。本文采集并预处理了机器人末端触觉数据,制作抓取状态数据集,并引入宽度学习系统训练该数据集。训练好的宽度学习系统实现了实时检测的预期目标,为系统提供了触觉模态的反馈,进一步增强了全自动超声机器人的鲁棒性。（3）搭建了一套多模态信息融合全自动超声机器人系统。首先,对超声机器人的扫描系统进行研究,主要包括扫描范围确定和扫描轨迹规划。为了确定扫描范围,本文对原始深度图像进行了滤波、配准以及填补漏洞等操作,同时设计了扫描策略并规划扫描轨迹。然后,对全自动超声机器人系统的三个子系统进行了整合,配置网络与数据传输标准。最后,本文将软硬件平台部署完后进行了功能测试,实验结果表明本系统能完成机器人自动超声扫描的任务。