多关节串联工业机器人因其操作方便,定位精确,执行灵活等优点广泛的运用于工业生产之中。工业机器人的工作原理主要是通过人工示教记住运行轨迹,运用控制,使其达到规定的位姿。通常工业机器人在实际流水线工作中只按照固定的一种或几种的路线运行。20世纪90年神经网络一词进入人们的视野,人们开始探索在工业机器人的运行操作中使用神经网络来完成控制和反馈。本文将基于BP神经网络这一基础深度学习原理,采用ABB的IRB6700的6R机器人作为数据获取源,以机器人的变换矩阵和空间位置作为输入以关节角作为输出,完成机器人从位姿到关节之间的映射关系,取代运动学方程的复杂公式计算。首先,为获取网络训练数据,需要实现机器人的可编程化。针对研究对象进行变化矩阵和位置的分析。建立IRB6700六关节机器人的空间坐标系,得出机器人的连杆参数表,空间坐标系遵循的是D-H规则。通过运动学分析,写出正逆运动学方程,结合连杆参数推导出正解和逆解。将连杆参数输入到MATLAB的Robotics Toolbox中建立机器人模型,对运动空间进行仿真,以此来验证运动学分析的正确性,为网络训练中数据的获取奠定理论基础。其次,分析神经网络理论以及BP神经网络的数据传递和误差传递的过程,并给出调节权值和阈值的方法。然后通过第二章分析的研究对象的运动学分析和连杆参数表在MATLAB中获取机器人的位姿和关节角数据作为训练数据。设置不同的隐含层神经元个数进行实验,对比结果得出网络相关参数和隐含层神经元个数。每一组数据都会对网络产生刺激,起到训练作用,由于训练数据数量多,在多组数据的刺激下不断的修正网络的权值和阈值,调节神经网络,从而得到确定的最优神经网络。并在ABB公司研发的RobotStudio仿真软件中获取八组IRB6700机器人运动空间中的位姿和关节角,用来验证网络。最后,建立汽车侧围的三维仿真模型,将三维模型导入到RobotStudio软件中仿真机器人焊接汽车侧围的焊接路径,并获取十组路径点。将十组路径点的数据输入到训练过的神经网络中得出输出数据。并将十组输出数据输入到RobotStudio软件中,运行出网络的规划路径。在网络输出的十组数据中选取两组数据,在关节空间中用五次多项式插值进行路径规划,得到六个关节的位置、速度以及加速度随时间的变化图,通过结果来验证神经网络在完成笛卡尔空间到关节空间的映射过程中路径规划的合理性和有效性。