作为推动“第三次生物科技革命”的载体,合成生物学成为生物科学的研究热门,已经进入医疗、环境、能源、食品、材料等领域。在传统的合成生物实验室中,通常依靠人工进行细胞培养板的检测和搬运,不仅作业效率低且可能出现失误,这种情况迫切需要改善。使用视觉引导机器人代替人工进行细胞培养板的检测和搬运,不仅提高了实验效率,而且减少了出错率。但是传统的目标检测方法依赖人工设计的提取器,存在图像处理过程复杂、应用场景受限、识别鲁棒性差等问题。针对上述问题,本文提出改进YOLOv5s的目标检测方法,结合机器人视觉,实现了细胞培养板的检测、定位及抓取。本文的研究内容如下:（1）完成Eye-in-hand视觉系统的标定与图像配准。研究相机成像模型,得到相机的内外参数及对视觉系统完成手眼标定实验。将D415相机的RGB图像和深度图像进行对齐,得到培养板相对于相机坐标系的三维坐标,为后续实现机械臂抓取奠定基础。（2）针对细胞培养板的检测问题,改进YOLOv5s算法。首先,在骨干网络中使用深度可分离卷积代替常规卷积,使模型更加轻量化。其次,采用K-means++聚类算法选取锚定框,使得预测框更加准确。然后使用损失函数,提高了收敛速度,加快了损失回归。最后使用Soft-NMS优化候选框,并加入卷积块注意力机制,优化了算法。（3）在实验环境下搭建细胞培养板抓取系统,并对改进YOLOv5s模型的性能和细胞培养板抓取系统的精度进行实验分析。对比SSR、MSR、MSRCR的图像增强能力,其中,MSRCR显著优化了成像效果。然后使用改进的YOLOv5s作为培养板检测网络进行训练测试,与原始YOLOv5s从m AP、权重、耗时等方面对比,改进的YOLOv5s模型尺寸减小了56.3%,检测精度提高了2.6%。最后,进行培养板抓取实验,以检测框中心坐标对培养板定位得到x、y、z轴的平均误差率分别为1.39%、2.41%、0.29%,抓取成功率为84%。通过实验表明,本文研究的细胞培养板检测及抓取方法具有较好的定位精度和抓取性能,在实际应用中有一定的参考价值。