机器人抓取技术广泛应用在生产生活等诸多领域,为进一步满足社会发展需求,机器人需要更强的环境适应能力。结合近年来的人工智能研究热点,可将深度学习目标检测技术与机器人抓取结合,提高机器人智能化水平,完成复杂工业场景下的目标检测和自主抓取任务。本文将深度学习、图像处理以及机械臂抓取技术融合,利用视觉相机感知环境的能力,搭建出功能强大的机器人目标检测与抓取系统实验平台。主要研究工作如下:首先,根据机器人目标检测与抓取系统的任务需求,建立系统的整体架构,构建眼在手上（Eye in Hand）的手眼系统,使用张正友标定法进行标定,确保视觉图像中目标位置信息能够准确的在坐标系之间转换。其次,在目标检测部分,针对目前广泛使用的YOLO V3（You Only Look Once）算法存在的小目标对象误检漏检问题,提出一种改进多尺度特征融合算法,增加主干网络的特征提取输出层宽度,使用金字塔结构进一步加深卷积网络的深度,加入残差单元结构解决梯度消失和梯度爆炸问题,提高目标检测的精确度;结合深度点云图像,使用PCA（Principal Component Analysis）技术完成目标主方向位姿判断。再次,在机械臂部分,使用实验室研制六轴串联机器人,根据新机器人D-H参数表,推导正逆运动学方程,基于人工势场法改进机器人抓取路径规划RRT（Rapidly-exploring Random Trees）算法,提高机器人抓取的效率,对放置目标物体的路径规划进行研究,为后续机器人运动规划提供了依据。最后,在上述工作的基础上,进行机器人目标检测与抓取实验。针对目标检测算法进行对比实验,验证提出算法的有效性;在ROS机器人操作系统上,结合视觉传感器反馈的信息,通过Move It运动规划插件,完成机械臂末端夹具对目标的抓取和释放任务。实验结果表明,提出的基于深度学习的机器人目标检测与抓取系统是有实用性和推广价值。