微创外科手术相对于传统开放式手术能够体现出明显的优势,具有创口较小、疼痛感轻、能够快速恢复的特点,应用日益广泛。但其本身仍然存在一些不足,例如使用的微型腔镜透光性低、亮度不够,导致医生在手术过程中观察和操作受限,腔镜反馈的二维图像也难以提供深度上的感知。将机器人技术应用到微创外科手术中有望解决这些问题,机器人能够为医生提供更好的运动自由度以及先进的三维影像,同时也能够减少人手的震颤,提高了手术的安全性和稳定性。现如今,机器人辅助手术系统中微器械与病人病灶直接接触完成手术任务,这对其运动精度和感知能力提出了较高的要求。因此,本文重点针对手术微器械运动学、夹持动作辨别以及夹持力估计的关键技术展开研究,具体的工作内容如下:1、手术微器械运动控制系统搭建。通过搭建执行模块、固定连接模块以及驱动控制模块,完成系统硬件平台构建。基于机器人操作系统ROS架构实现控制模块,完成系统软件平台集成。采用梯形速度规划算法设计电机的运动轨迹,并采用最小二乘法辨识电机的惯性阻尼参数,在此基础上采用双闭环PID算法实现电机的位置控制。运动控制系统的搭建是后续研究工作的基石。2、手术微器械运动学研究。分析微器械的内部传动模型,得出俯仰和偏摆关节之间的耦合关系。对于微器械正运动学,提出了一种末端姿态的计算方法,并基于BP神经网络算法通过数据驱动的方式来建立模型。由于模型的解析表达式过于复杂,采用自动微分算法求解分析雅可比矩阵,并基于雅可比矩阵建立微器械的逆运动学模型。所提出的方法在实际手术微器械平台上开展实验,结果证明正逆运动学建模精度误差在0.1rad以内。3、手术微器械夹持动作辨别研究。分析微器械夹持物体过程中驱动电机的位置、速度、电流以及末端夹钳接触力的变化特征,基于LSTM神经网络进行夹持动作辨别,由隐藏层神经元捕捉夹持数据的长时间依赖关系,在此基础上采用softmax算子完成分类任务。通过实验验证所提出的方法,主要囊括数据集的采集、预处理以及模型训练,结果表明该方法具有较高的夹持动作辨别准确率,对于夹持不同软硬程度的物体,分类准确率均在90%以上。4、手术微器械末端夹持力估计研究。分析微器械的动力学模型并在第四章的基础上提出了一种末端夹持力估计策略,对于微器械与物体的接触过程,采用高斯过程对数据信息进行回归分析从而建立力估计模型。所提出的策略与前馈神经网络算法在实际手术微器械平台上开展对比实验,结果证明对于夹持不同软硬程度的物体,该策略均具有较好的力估计性能,并且相比于前馈神经网络,最大估计误差减小了10%以上。