轴孔装配是机器人在工业装配领域中最基本的环节,许多常见的装配动作都可以看作轴孔装配任务的衍生。正如人类进行高精度操作时严重依赖触觉,面对高精度装配任务时,力控装配的方式相较于视觉引导的机器人装配算法具有显著的优越性。但由于接触力复杂且难以准确建模的特性,如何让机器人学会有效地利用力觉信息,成为了制约机器人进行高精度轴孔力控装配的主要问题。本文根据轴孔零件结构上的差异,将常见的轴孔装配任务分为非标准轴孔装配、标准轴孔搜孔、标准轴孔插孔三种装配过程,针对每个过程分别提出了基于机器学习的轴孔力控装配技能学习算法,并在此基础上开展装配实验进行算法验证。本文主要内容包括以下几个方面:首先,针对非标准轴孔零件的装配任务中,传统强化学习方法迭代效率低的问题,提出了一种基于元学习的在线建模算法和基于模型的元强化学习算法,实现适用于物理环境中机器人控制技能的高效学习。通过在Mu Jo Co物理引擎中设计用于迁移到真实环境中的装配任务,并采用基于模型的强化学习方法来训练神经网络动力学模型,实现机器人非标准轴孔装配技能的快速学习。通过机器人与环境的实时交互对动态模型进行更新,实现了装配参数的在线自适应。其次,针对标准轴孔零件的搜孔任务依赖于结构化高精度装配环境的问题,设计了一种基于多种模型的搜孔方法,先利用多层感知机（Multilayer Perceptron,MLP）对于装配状态进行判断,再使用高斯回归过程方法（Gaussian Process Regression,GPR）和螺旋搜孔方法规划装配轨迹,实现机器人克服定位误差快速完成装配任务,并且在装配同时利用装配数据对数据库进行更新,动态地对学习到的搜孔策略进行在线建模以及参数优化。然后,为解决标准轴孔装配插孔过程中存在的卡阻问题,基于变分循环递归神经网络状态建立装配状态与装配动作的转移模型,有效地利用历史数据推断装配过程中的不可观测状态,并结合基于多层感知机的强化学习控制器设计了基于变分循环网络的插孔运动规划器,从而使机器人通过与环境的交互,自主地获得插孔装配的技能。最终,为验证本文提出的三种装配技能学习算法的有效性,搭建由UR3e协作机器人、robotiq-2f手爪、操作平台等构成的机器人实验平台。通过对标准轴孔零件与非标准轴孔零件的三种装配任务分别设计实验进行算法验证,评估机器人在真实环境中面对不同装配任务时,采用本文的装配算法相对于传统算法的装配效率,以及位置误差适应能力。