针对蜣螂优化(DBO)算法在工业机器人运动学参数标定过程中存在的全局探索和局部开发能力不平衡、求解精度低等问题，提出了一种基于局部指数积(LPOE)运动学模型的多策略融合蜣螂优化算法(MSFDBO)。首先建立基于LPOE模型的运动学参数辨识模型；然后采用Piecewise混沌映射和精英反向学习策略进行种群初始化，得到分布更加均匀的种群；融入鱼鹰探索行为，提高DBO算法的全局探索能力，通过随机扰动机制扩大搜索范围，减少DBO算法陷入局部最优的可能性。为测试算法性能，使用12个基准测试函数对MSFDBO算法的搜索性能进行实验评估，结果表明该算法具有良好的寻优性能。对4台T6A-19型工业机器人的运动学参数进行辨识并补偿验证，实验结果表明，绝对位置平均误差、均方根平均误差分别降低了85.47%、83.92%。