皮肤触觉感受器因接受机械刺激而产生的感觉,称为触觉。通过仿生触觉传感器,机器人也能捕捉因相互接触而产生的物理交互信息。本文面向现代机器人触觉感知的实际应用,针对目前多传感融合所面临的实际问题,依据现代稀疏编码相关理论和最新研究进展,进行理论和实验研究,实现多传感信息互补以提升机器人对环境的感知能力。本文的主要研究工作如下:首先,针对稀疏联合组套索模型的优化求解问题,本文构造了一种基于近端梯度下降法的凸优化算法。针对多模态触觉融合,已有多种与稀疏联合组套索（SJGL）相关的数学模型,但传统的优化算法并不是专门为求解SJGL而设计,其求解过程往往较为曲折导致收敛速度较慢,难以高效地求解其目标函数,影响了该模型的应用和普及。为了提高收敛效率,本文提出了一种基于牛顿动量法的加速算法,讨论了步长的选择策略并给出了多种方法在不同参数下的详细对比结果。其次,针对传统的方法无法很好地融合由人类探索步骤采集的多模态数据问题,基于一系列稀疏编码和高斯弹性匹配核相关理论,本文提出了一种基于核稀疏编码的混合式融合模型。根据不同模态数据的特点,引入了一系列相匹配的特征表示方法,并将其参与到高斯弹性匹配核的构造过程。本文采用仿生机器人触觉传感器来测量各种物理交互作用来识别材料的性质,通过与其他使用相同度量的核方法相比,所提出的方法在粗、中、细三个分类级别上具有显著优势。最后,针对实际应用中大多数机器学习算法需要大量的训练样本才能获得良好性能的问题,本文提出了以多传感融合的手段减少样本的需求量以解决纹理识别问题,极大地提高了识别的鲁棒性和抗噪声干扰能力,通过融合触觉时间序列、图像和声音等多种模态数据,实现仅从一个训练样本中学习到足够区分不同的纹理的目标类别信息。其次,本文构造了一种新的词典学习模型,该模型能最大限度地包含各种模态信息,并能同时通过学习不同模态信息进而构造潜在的公共稀疏编码。通过对比实验证明本文所采用的稀疏惩罚项能有效地提高模型对不同类别信息的区分度。