在核相关事业快速发展的过程中,核运维和核应急的能力愈发显得重。在复杂且难以预测的核运维、核应急等不确定环境下,接触式任务(阀门旋拧、开门等)对机械臂的运动控制有更高的要求。开展在不确定环境下的机械臂自主任务处置研究,对保障核电安全生产具有重大意义。由于核运维、核应急环境的复杂性,可能存在传感器故障、光照不足、机械臂不便安装力觉传感器等不利因素,仅依靠单一传感器难以满足作业需求。因此本文针对不确定环境下的接触式任务处置问题,提出了分别基于视觉和力觉的两种机械臂自适应控制方法,并进行了深入研究。本文提出了一种环境参数不确定下的机械臂视觉控制方法。以视觉信息为反馈,面向环境参数不确定问题(接触式任务的操作对象运动路径、姿态变化未知),采用跟踪操作对象上标签间接实现跟踪操作对象运动轨迹的控制策略,提出了基于深度强化学习的机械臂自适应控制方法。搭建了“Eye-in-Hand”手眼系统,以获取标签相对于机械臂末端夹持器的位姿。采用深度确定性策略梯度算法(DDPG),实现了对操作对象的位置和姿态的实时跟踪。最后完成相关仿真实验,验证了所提出的视觉控制算法的有效性。本文提出了一种环境参数不确定下的机械臂力觉控制方法。以力觉信息为反馈,面向环境参数不确定问题(接触式任务操作对象的刚度、位置变化未知),对基于位置的阻抗控制方法进行研究分析,针对环境位置、环境刚度难以获取以及复杂环境下力跟踪性能较差的缺点,对阻抗控制进行改进,并结合DDPG算法,提出基于深度强化学习的自适应阻抗控制算法。另外,分别基于深度强化学习理论和阻抗控制理论,提出了两种对比算法:基于深度强化学习的自适应力控制算法和自适应阻抗控制算法。最后完成相关仿真实验,验证了基于深度强化学习的自适应阻抗控制算法的有效性。本文以旋拧阀门典型接触式任务为案例,搭建了由UR5机械臂、二指夹持器、深度相机、六维力传感器组成的V-rep仿真平台和真实场景实验平台。基于不同反馈信息的机械臂自适应运动控制方法,完成了旋拧多种尺寸规格的阀门手轮的仿真及实验。