近些年,随着电子商务行业的迅速发展,物流仓储系统的分拣效率直接影响着商品配送的时间和公司的业绩。当前的物流仓储系统主要依靠人工分拣的方式挑选货物,由于近些年人工成本不断攀升,物流公司的运送量逐年增加,导致公司的运营成本越来越大。为了解决该问题,如何建立高效率、高质量的自动化仓储系统,正成为相关公司和科研院校的研究热点。自动化分拣是自动化仓储系统研究的核心问题,为了研究该问题,本课题基于ROS系统、PCL库和TensorFlow框架建立了面向仓储环境的物体抓取与识别自动化系统。本课题采用吸盘和二指夹爪作为抓取执行器。针对吸盘和夹爪两种夹具的抓取特点,设计了夹具转换装置。它可以让吸盘和夹爪在执行抓取任务的时候,针对不同的物体切换使用夹具,也可以在单个夹具无法完成抓取任务的时候,协作完成抓取任务。在基于吸盘的抓取方法中,为了获得目标抓取点,本文采用点云聚类和模型选择算法对物体表面的点云进行分割,使用平面的形心作为目标抓取点。针对模型选择算法有时存在错误分割的问题,提出使用移动最小二乘法(MLS)优化模型选择算法。使用移动最小二乘法预处理表面片,获得高斯曲率波动更小、表面更平滑的表面片点云,再通过最小描述长度准则(MDL)确定各表面片的归属问题。在基于夹爪的抓取方法中,针对实验的硬件设备,修改GQ-CNN网络参数,使其作为基于夹爪的抓取算法,并在实验中测试了GQ-CNN的抓取成功率。为了提高基于吸盘与夹爪的抓取系统的抓取成功率,本文构建了最佳抓取策略,实验表明该策略对抓取成功率的提升效果显著。针对物品的自动识别问题,考虑到现有卷积神经网络的权重参数较多且难训练,本文建立了浅层卷积神经网络。为了提高网络的识别鲁棒性,使用数据增强的方法建立物品数据集。在全新的数据集上验证网络的识别准确率为87.5%。搭建实验平台,分别对基于吸盘的抓取与识别系统、基于夹爪的抓取与识别系统以及基于吸盘和夹爪的抓取与识别系统进行测试,使用定量分析的方法验证了基于吸盘和夹爪的抓取与识别系统的高效性和鲁棒性。同时,针对单独使用吸盘或夹爪无法完成的任务,设计了吸盘与夹爪协作作业的实验,验证了夹具转换装置的重要作用。