在工业流水线柔性分拣系统中,通常需要使用视觉相机来实现对物体的定位与识别,从而实现物品柔性自动分拣。视觉相机通过捕获分拣场景的深度图像实现对物体的定位。然而,在某些情况下,由于被分拣物品表面的材料特殊性,如高光、表面反光、透明等性质,视觉相机捕捉到的深度信息一定程度上大面积的深度缺失,从而影响机械臂在分拣物体时对物体的抓取。针对这些存在的问题,本文对面向柔性自动分拣系统的深度图像的修复进行了以下几方面的研究:（1）针对非透明物体柔性自动分拣的深度图像修复,本文提出了一种有效的用于被分拣物体缺失深度快速修复的方法。该方法首先利用深度网络模型对缺失的空洞区域进行快速粗定位,接着利用边界种子填充算法对定位空洞进行精确拟合。接着,针对识别出的空洞,本文提出一种基于边界轮廓和无监督聚类的深度图像修复方法,该方法利用空洞边界的轮廓及其邻域信息,将空洞划分成几个平滑的子空洞,分别对几个子空洞拟合,进行深度填充。（2）针对透明物体的柔性自动分拣的深度图像修复,本文基于现有的“真实-合成”透明物体数据集,提出了一种新的网络结构,用以实现对分拣场景中透明物体的快速深度估计。该方法首先使用轻量级语义分割模型对场景中的透明物体进行实时语义分割,获得透明物体的语义分割遮罩,然后使用该语义分割遮罩剔除原始深度场景中的透明物体深度信息;接着,将剔除透明物体后的深度图像和RGB图像作为网络学习模型的输入,通过学习的方式提取深度图像特征和RGB图像特征,进行多尺度特征融合,最后输出透明物体的深度修复结果。实验表明,在物品柔性自动分拣的深度图像修复任务中,本文算法相比同类方法,在修复速度和图像质量上均取得了较好的结果,且提高了分拣的速度和鲁棒性。