在大斜度井和水平井开发中,井下牵引机器人用于输送井下仪器或执行特定井下牵引任务。目前常见的井下牵引机器人运动方式单一,应对复杂井下环境的能力有限,且机器人执行机构的预紧和越障都是被动适应,造成越障能力差,机器人容易被卡住。针对这些问题,设计了一种履带式与伸缩式相结合的多运动模式机构,配合基于深度学习的视觉检测系统对井内环境感知,使井下牵引机器人根据感知结果对其运动方式进行主动切换,使机器人具备了履带式快速平稳移动的优点与伸缩式良好越障的优点。（1）通过对机器人工作环境与应用需求分析,确定了多运动模式井下牵引机器人的设计参数,并在CREO软件中建立了机器人三维模型。通过分析机器人通过障碍物时的受力情况,建立了机器人越障的力学模型,研究了机器人的越障性能与转弯能力。（2）使用基于深度学习的目标检测技术,设计了用于识别障碍物突起高度范围检测的视觉系统,识别准确率为97%;通过在深度学习模型的主干网络后增设了D-Net分支,使目标检测模型与视觉测距模型解耦,实现了在井下机器人对突起障碍物的测距,测距准确率可达98.6%。设计了一种基于控制系统时域响应监督的BP神经网络,用于井下机器人控制系统中PID控制器参数的自学习,简化了控制器的调节。（3）机器人移动过程仿真研究。使用ADAMS软件对机器人虚拟样机进行运动仿真,观测机器人通过障碍物和过弯时的姿态、位移、运动速度等变化,验证了机器人的越障性能与过弯性能。对机器人控制系统进行仿真,结果显示控制系统稳态误差为0.05%、超调量为2.577%、上升时间0.0213s,验证了机器人控制系统符合设计要求。使用ADAMS软件与MATLAB/Simulink软件联合仿真,通过观测机器人移动速度,验证了机器人能够在应对不同高度障碍物时自主控制运动机构的切换动作,顺利完成越障。