在深度强化学习等人工智能领域蓬勃发展的今天,机器人应用的智能化升级仍然进展缓慢,在机器人作业生产线上,机器人一些基本的抓取、固定、搬运等任务仍然需要编程人员的干预,机器人的自动化水平目前不能满足生产实际需求,机器人智能化水平的低下正在阻碍着机械制造等行业的发展。因此,通过研究基于深度强化学习的机器人智能化抓取控制技术是适应社会生产力的需要,具有重大意义。本文提出了机器人的智能化抓取动作控制的相关模型,并对其训练收敛过程中的相关算法进行改进。在机器人抓取控制系统设计研究的基础上,针对传统机器人缺乏对抓取控制动作闭环控制的问题,提出了基于深度强化学习的控制决策网络模型和价值评判网络模型,利用强化学习强大的决策能力,通过对抓取过程中实时图像的分析,控制机器人在当前状态下作出相应动作,以完成抓取动作。并通过建立机器人系统仿真环境,降低了模型的训练难度。通过对控制决策网络训练时,智能体与环境交互以及参数更新的形式,分析重要性采样在采样不充分时,方差不同所造成的系统偏差,得出了控制决策网络参数更新的同时要注意到两概率分布不能差异过大的结论,提出网络参数协调更新的方法,给出了限制概率分布差异过大更新网络参数的目标函数,并在实验中验证了该方法对模型训练结果的有效性。针对网络训练数据是由智能体在机器人系统仿真环境交互获得因而具有相关性,不能保证数据的独立性等问题,在训练智能机器人的过程中,采用了在仿真系统中异步训练的方法,给出了具体算法实施流程。减弱数据的相关性,降低对参数收敛的影响,并在实验中验证了其效果。为增强智能机器人抓取控制的泛化性,提高其对环境的理解能力,在机器人系统仿真环境添加随机性,并给出具体的添加随机性算法流程。针对反馈稀疏问题,提出了阶层式奖励的方法。基于以上研究工作,搭建机器人智能化抓取控制测试系统,完成机器人智能化抓取控制的测试实验,验证了算法的有效性。