机械臂抓取是服务机器人与环境进行交互的主要途径,其成功的前提是对目标物体抓取位置的准确估计。非结构环境中的物体具有种类繁多、形状各异及缺少三维模型等特性,对抓取位置检测算法的性能提出了很高的要求。针对服务机器人在非结构化环境中的实际需求,本文研究了基于深度学习的未知物体抓取位置检测算法,并搭建机器人抓取系统,具有很强的理论和现实意义。在目标检测问题研究中,基于深度学习的方法通常具有更高的准确率。因此,本文基于深度学习算法解决未知物体抓取位置检测问题。在对卷积神经网络基础结构、Faster R-CNN和R-FCN目标检测算法进行研究,并详细分析物体抓取位置检测中存在的关键问题的基础上,本文设计基于候选区域的未知物体抓取位置检测算法。实验结果表明,在Cornell抓取数据集上,本文所提出的未知物体抓取位置检测算法准确率可达到90.40%,检测速度可达到0.175秒/帧。针对基于候选区域的未知物体抓取位置检测算法速度慢的问题,本文设计了基于回归的未知物体抓取位置检测算法。与基于候选区域的目标检测方法相比,基于回归的目标检测算法YOLO和SSD具有更高的实时性,并且模型的训练较为简单,更适合部署在服务机器人平台。因此,本文在SSD算法的基础上针对小目标检测和网络的特征提取部分进行优化,提出了 SSGD（Single Shot Grasp Detector）未知物体抓取位置检测算法。实验结果表明,在Cornell抓取数据集上,本文所提出的SSGD算法检测准确率可达到93.71%,检测速度可达到0.051秒/帧。SSGD算法在检测抓取位置时,对抓取角度进行了量化,造成了检测精度的损失,因此,本文对抓取位置检测结果进行优化。通过对RGB图像和深度图像进行边缘检测并融合,得到准确的物体抓取区域边缘,并提取抓取接触边界进行直线拟合。在此基础上,基于力封闭分析方法对不同抓取位置检测结果进行优化调整。同时,搭建机器人抓取系统,针对物体在某些相机视角下不存在准确抓取位置的情况,提出自适应相机位姿调整算法。实验结果表明,本文提出的抓取位置检测算法具有更高的实时性、适用性和准确性,机器人抓取系统在真实环境具有良好的效果。最后,对于本文所开展的研究工作进行总结,并对未来的研究内容进行展望。