自由度作为最基本的机构参数,在机构的运动学分析、驱动配置和控制上发挥着重要作用。机构自由度的研究可以分为自由度数目和自由度属性研究。作为一种复杂的空间机构,并联机构自由度的计算一直是机构学中研究的重难点。本文基于人工智能方法,通过对称并联机构的样本特征提取、数据预处理、算法模型学习以及模型评估测试,完成并联机构自由度的计算。本文的主要工作和成果如下:分析螺旋理论计算并联机构自由度的过程,找出影响机构自由度的关键特征并将其转换为数学表达形式。分析并联机构分支内运动副和分支间的约束关系,定义了对称并联机构的两个特征矩阵,并结合现有的构型综合文献开展样本收集。采用XGboost算法计算并联机构自由度。对样本数据进行预处理、建立算法模型、搭建实验环境进行并联机构自由度算法模型的训练,通过对算法参数的调整及优化得出算法的准确率为90.76%,并利用测试集进行验证。采用循环神经网络和卷积神经网络计算并联机构自由度。首先进行样本数据预处理,之后进行数据合并填充,然后将样本顺序进行乱序处理,防止算法训练中出现过拟合现象,最后利用搭建好的实验环境进行模型学习和测试。分析预测值与实际值之间的差异得到循环神经网络模型的准确率为96.41%,而卷积神经网络模型的准确率为95.93%,并用相应测试集验证了这两种算法模型的正确性。分析发现,深度学习方法比机器学习方法准确率更高,效果更好。分析三种算法在特征数据处理、算法时间复杂度、算法空间复杂度以及模型训练准确率方面的差异。得出循环神经网络在特征处理的解读上、时间和空间复杂度以及模型训练准确率上都具有较好的表现。本文采用人工智能方法计算并联机构自由度,提高了自由度的计算效率,同时为并联机构构型综合提出了新思路。