针对目前为智能仿生体柔性皮肤领域提供支持的光纤布拉格光栅传感器研究对滑觉信号特性识别手段的不足，提出了一种通过人工学习网络对基于分布式光栅传感单元所检测的滑觉速度与滑觉载荷进行预测的方法。设计了由四支光栅构成的传感阵列，采用封装技术制成柔性传感器，并搭建实验平台对滑觉信号进行采集。给出了滑觉过程对布拉格光栅波长偏移曲线的作用原理，对经验模态分解与小波分析的去噪效果进行比较，信噪比分别达到15.99与16.15。搭建了滑觉实验系统，对采集的不同速度与载荷分度的滑觉信号的特征值设定提取标准，构建滑觉样本集，引入随机森林与神经网络两个回归模型进行训练，并对比了预测效果。实验结果指出，速度特性预测中，两种模型的R²系数分别为0.9746和0.9681，平均误差分别为5.22%和4.31%；载荷特性预测中，两种模型的R²系数分别为0.9982和0.9835，平均误差分别为1.12%和3.02%。该研究方法基本实现了对滑觉样本两种特征的准确识别，在柔性仿生皮肤传感领域对滑觉信号的研究具有一定价值。

手术机器人可以通过术前路径规划避免重要组织受到损伤，且具有较高的操作精度，因而被广泛应用于穿刺活检手术之中。目前手术机器人在穿刺针形状信息准确实时获取方面存在不足，无法实现穿刺过程中自主避障以及精准的靶点操作。因此研究穿刺针形状感知方法，可为手术机器人自主/主从穿刺提供形状信息反馈，对于提高穿刺手术的安全性与准确性有着重大意义。鉴于此，提出了一种融合分布式光纤光栅传感技术和人工智能的形状自感知穿刺针。利用机器学习算法，对静态标定实验获取的不同弯曲状态下光纤光栅的中心波长数据与形状数据进行训练，得到了光纤光栅中心波长漂移量与形状函数及弯曲方向角之间的神经网络模型，进一步调用该神经网络模型，实现穿刺针的三维形状重构；测试结果表明，穿刺针针体的形状重构最大误差值为0.90 mm，弯曲方向角的最大误差为5.03°。在动态性能验证实验中，形状重构最大误差值为0.84 mm，弯曲方向角的最大误差为1.02°，进一步验证了模型的可靠性。因此所提出的形状自感知穿刺针能够精准实现形状信息的实时获取，从而在手术机器人自主穿刺和主从操作过程中针体形状感知与调控方面具有广阔的应用前景。