近年来,随着机器人自动化装配在工业领域的不断扩展,传统手工装配的小型复杂零件对其柔顺性提出了更严峻的挑战。而力控机器人具有高精度、高生产效率以及可扩展性等优点,成为了科学研究的热门课题和工业应用的兴趣热点。接触状态是装配任务中最为重要的信息,使用机器学习算法从装配过程中采集的力数据中学习得到接触状态成为柔顺装配智能化的关键环节,因此基于机器学习的机器人装配接触状态识别的研究具有重要意义。首先,本文分析了适用于小样本量的机器学习分类器的基础原理,建立了支持向量机和各种参数寻优算法模型,并详细分析了支持向量机的优缺点,得到了支持向量机参数对其分类的影响。在此基础上介绍了支持向量机参数寻优的工作原理。其次,介绍了刚性/非刚性零件装配的接触状态识别方案并建立实验平台,分析了装配零件材质对识别精度的影响;在此基础上利用MATLAB机器人工具箱建立了三菱机器人仿真模型,并设计了刚性轴孔零件和非刚性卡扣零件的机器人装配动作。利用MATLAB和RT ToolBox2等软件建立机器人装配纠偏系统,基于该系统识别了零件不同接触状态下的偏移角度,并通过机器人逆运动学计算完成了纠偏位姿变换。最后,针对不同材质零件装配力数据特性不同的问题,本文推导了遗传算法和鲸鱼优化算法支持向量机参数寻优的过程,以及提出了一种混合鲸鱼-遗传算法参数寻优的支持向量机分类器,实现了对刚性/非刚性零件装配接触状态的识别,其中刚性零件装配接触状态的识别精度达到了99.985%。在分析得到非刚性接触状态识别更加困难的情况下,本文提出分类器对非刚性零件装配接触状态的识别精度也达到了98.850%,与其他接触状态识别分类器相比,具有明显的精度和计算速度优势,为力控机器人装配复杂零件提供了稳定高效的理论基础和技术支持。