机器人智能地完成装配任务从而代替人类的手工作业,在机器人诞生之初便是人类追求的目标。而目前机器人在工业生产中多用于搬运、焊接、打磨等粗加工领域,而在需求高精度的装配领域,机器人尚未广泛应用。在当今时代背景下,装配越来越需要机器人体现出智能化,尤其在3C行业等领域,小批量、定制化、短周期成为机器人装配的最大挑战。随着人工智能技术的发展,AI（Artificial Intelligence）算法可以赋予机器人各种人类的能力,打造理想中的机器人。其中,深度强化学习算法作为通用型人工智能算法的代表,目前是这一领域的研究热点。深度强化学习算法自主学习,主动探索的独特训练机制一方面从根本上解决了数据获取困难的窘境,另一方面端到端的学习方式在机器人抓取、装配这种难以建立数学模型的领域有极大的发展空间。作为机器人装配的重要组成环节,本文采用多种视觉信息处理算法进行机器人视觉抓取算法的对比,并且为了提升机器人处理杂乱环境下的工作能力,采用机器人多操作动作协同的方式完成清理、抓取等任务。此外,本文中搭建了仿真机器人工作环境,在仿真和真实物理机器人上验证所提出算法的有效性。在复杂的装配任务中,使用深度强化学习算法从零基础训练机器人掌握相应装配技巧费时费力。为解决这一问题,能够给机器人提供先验知识的演示学习成为了最佳选择。目前,尽管演示学习这方面仍然存在许多挑战,但仍是机器人操作领域,尤其是工业应用需求日益增长情况下的热点研究问题。在基于演示学习的机器人智能装配方面,本文解决了演示人手部精细运动识别困难以及机器人操纵环境存在不确定性的变化等问题。本文提出了一种基于多源信息融合的演示理解算法来处理演示人在演示过程中收集到的生物电和惯性信息。受到人类完成装配任务时手臂的不同组成部分完成不同任务的启发,我们把演示分为两部分:大幅运动和精细动作。从而使用惯性信息和前臂表面肌电信号用于捕获演示者的操作,然后使用预训练的操作手势分类网络识别演示者手的精细运动。最后根据文中所设计的一种深度强化学习控制算法,以提高未知环境下的机器人操作适应能力。实验结果表明,该方法仅依赖单次演示即可完成相对复杂的机器人装配任务,在微小误差下以高成功率实现机器人智能装配。