分拣作业广泛存在于工业生产、垃圾处理和物流配送等中。然而,目前大多数行业的分拣作业仍然采用人工分拣方式,重复性高、强度大。软包装是日常消费中常见的包装货物,软包装容易发生形变,表面通常反光或透明,堆放时又相互遮挡,给机器人识别、定位、抓取带来了困难。针对上述问题,本文主要研究了软包装机器人分拣的策略、抓取定位和分类识别等方法。本文具体工作如下:首先,针对密集堆放的混杂软包装,提出了“先抓后看”的两阶段分拣控制策略,即先实现与目标物体类别无关的抓取定位,再对抓起的软包装进行分类识别。其次,按照“先抓后看”的策略,提出了一种基于启示图（Affordance Map）的软包装抓取定位方法,该方法利用全卷积神经网络生成堆放软包装物品的抓取启示图,然后根据启示图的评价来选取成功可能性最大的作为抓取点。实验表明,采用MFCN（Res Net-101）生成启示图,定位精准率可达95.1%,检测速度可达10.2FPS;同时表明,该方法无关软包装的类别,对未知的软包装也能进行抓取点定位。接着,提出了基于YOLOv3的软包装识别方法,并在不同抓取场景中进行了测试。结果表明,在样本量充足时,YOLOv3算法在相对结构化规整的场景中具有极高的识别精准率（可达96.2%）,而在复杂场景中识别精准率受影响较大;同时证实提出的“先抓后看”策略的有效性。此外,针对样本不足和新颖软包装识别的需求,提出了基于原型网络的小样本学习方法,可实现5way-5shot下76.56%的分类准确率识别新颖软包装,有望适应软包装种类扩充的场景。最后,利用Real Sense D435和NACHI MZ04机器人搭建了软包装机器人分拣实验系统。分拣实验表明,提出的抓取定位和软包装分类识别方法有效,其中分类准确率达到95.4%;“先抓后看”的软包装分拣控制策略相比同时识别和定位的策略能够提高分类准确率6.9%。