机械产品装配过程具有操作环节多、装配过程复杂等特点,容易造成漏装、错装等差错。在复杂装配体零部件组装过程中,若未能及时检测新装配零部件是否装配正确,则会影响到机械产品的质量和装配效率。为此,本文研究了基于深度学习的机械装配体多视角变化检测和位姿估计方法,提出了基于图像变化检测技术的机械装配顺序监测方法、基于位姿估计技术的机械装配姿态监测方法。具体研究内容如下:（1）提出了基于深度图像注意力机制特征提取的装配体多视角变化检测方法,该方法包含语义融合网络和多视角变化检测网络。语义融合网络融合语义图像与深度图像,获得融合图像,丰富了图像特征信息多样性。本研究将自注意力机制和多尺度特征融合机制应用于多视角变化检测网络中,自注意力机制捕获特征信息全局位置依赖性,多尺度特征融合机制有效融合了高维语义信息和低维空间信息。此外,本研究创建了机械装配体合成图像多视角变化检测数据集,并开展了实验研究,实验结果表明,所提出的基于深度图像注意力机制特征提取的装配体多视角变化检测方法在该数据集上的综合指标F1达到96.9%,可以实现机械装配体深度图像多视角变化检测。（2）提出了基于装配体图像多视角语义变化检测的装配顺序监测方法。该方法创新性的引入一种密集连接的跳跃融合机制,丰富了网络特征信息量;研究了一种融合上下文特征信息的自注意力机制,充分利用上下文特征信息指导动态注意力矩阵学习,提升了网络架构的监测性能;提出了一种语义步骤识别模块,该模块能够有效识别变化零部件当前所处装配阶段;创建了三类机械装配体多视角语义变化检测数据集,并在此基础上开展实验。实验结果表明,本文所提出的基于装配体图像多视角语义变化检测的装配顺序监测方法有效改善了小目标零件的检测能力,可用于机械装配顺序监测。（3）研究了基于深度学习的机械装配体零件多视角位姿估计方法。该方法首先搭建了机械装配体位姿估计数据集,然后在此基础上开展了基于Dense Fusion位姿估计实验,最后与PV Net（Pixel-wise Voting Network）位姿估计网络进行实验对比。实验结果表明,本文研究的基于深度学习的机械装配体零件多视角位姿估计方法能够从不同视角对低纹理、颜色单一的装配体零件进行姿态估计,有效判断了零件在空间坐标系中姿态信息,可适用于机械装配姿态监测。本课题以机械装配过程为研究对象,建立了机械装配体多视角变化检测与位姿估计数据集,研究了基于深度学习的机械装配体多视角变化检测和位姿估计方法,对实现机械产品装配过程智能监测,推动智能制造有一定意义。