近年来,随着自动化水平提高以及机器人技术的普及,手工焊接因其生产效率低下、工作环境恶劣等弊端凸显,逐渐被以机器人为主体的自动化焊接系统取代。但受限于工业机器人的硬件设备和智能化水平,当前焊接作业的机器人主要采取“手动示教--记忆再现”的工作模式。可是,这种工作模式不可避免受到装夹误差、受热变形等外部因素的干扰,导致实际焊接时的焊缝轨迹偏离手动示教时的焊缝轨迹,从而使焊接的精度和质量受限。为此,在国家科技重大专项“五千台具有完全自主知识产权的面向机床自动化生产的机器人开发及产业工程”（编号:2015ZX04005006）和广东省科技计划项目“关节型机器人动力学模型及控制方法”（编号:2019B040402006）资助下,本文摆脱了“示教—再现”模式的约束,采用前置的激光视觉传感器实现环境信息感知和自我认知功能,并利用当前主流的由数据驱动的深度学习与强化学习等技术,实现更便捷的标定与更准确的焊缝定位,同时为边缘嵌入式设备设计更轻量化的网络和部署方案。研究的主要内容包括:（1）为实现激光视觉传感器的环境信息感知和自我认知功能,建立一套准确的由二维图像坐标重构三维位置信息的测量模型尤为重要。结构光标定和手眼标定作为确定图像坐标系与机器人末端坐标系转换关系的常规方法,具有较强的普适性,但由于标定过程复杂繁琐,不可避免地造成中间误差的累积。为减少标定过程误差的影响并提高准确性,我们提出了一种基于深度强化学习的端到端标定方法。提出的方法涉及两个子任务,包括Pixel-to-Point module和Point-to-wrist transformation。Pixel-to-Point module预测焊缝图像中焊缝特征点的位置,而Point-to-wrist transformation旨在建立准确的从图像坐标系到机器人腕关节坐标系的转换关系。Point-to-wrist transformation中包含两个主要成分:Actor and Critic。Actor模型目的在于推断焊缝特征点在机器人腕关节坐标系的坐标,而Critic模型旨在利用图像坐标系与机器人坐标系的几何一致性来引导Actor模型的学习过程。通过在强化学习模式下与环境的交互训练,本文的算法简化标定过程并得到准确的从二维图像坐标系到机器人三维坐标系的转换关系。（2）在自动焊接过程中,焊接位置的精度极大地影响着焊接质量,因此保证焊缝跟踪的准确性和鲁棒性是实现高精度的自动化作业的首要前提。而在长序列和连续噪声的环境下,跟踪定位结果无法得到保证。为此,本文基于深度学习框架提出了一种融合目标跟踪和目标检测的跟踪算法,并成功应用于焊缝跟踪系统当中。本文提出一种新的途径净化样本以缓解跟踪过程中的样本污染问题,提高跟踪定位的准确性。同时,结合目标检测的方式,解决了长序列跟踪过程中模型漂移和无法重定位的问题,提高跟踪的稳定性。（3）针对实际工业生产对硬件设备需求,低成本、小体型、便携的嵌入式设备往往更受到青睐。近年来发展迅猛的树莓派设备具有体型小,软件系统完善,硬件设备俱全等特点,成为我们项目落地的微型控制器的首选。但考虑到嵌入设备在存储空间、计算资源以及算力上与大型服务器存在较大的差距,直接将上述方法进行部署并不现实。为此,我们针对算法的两大核心功能:减噪与定位,设计了一套更轻量化的减噪模型和定位模型,并对模型中的冗余通道进行裁剪,使其在树莓派等端上设备部署成为可能。最后,为充分发挥树莓派中ARM芯片的算力,提高模型在嵌入设备上推断的速度,我们采用MNN轻量级的深度神经网络推理引擎对自动焊接模型进行部署。（4）搭建了一套基于六轴机器人的自动焊接平台,该平台主要由激光视觉传感器、工业计算机及六轴机器人等组成。其中,激光视觉传感器和工业计算机作为环境信息感知模块,完成图像中焊缝特征点的定位;由标定算法得到三维重构的测量模型,作为二维图像坐标与机器人三维空间坐标的桥梁,完成焊缝空间位置的定位;最终,由机器人控制器完成实时自动焊接。此外,本文进行了一系列的实验,验证了我们算法的准确性和鲁棒性,并针对多种焊缝类型进行自动焊接实验,证明了跟踪系统可准确地从噪声环境中完成特征点的提取和转换,完成实时的自动焊接功能。