随着机器人应用领域不断扩展,机器人智能化控制技术愈见短板。常用的机器人控制方式主要是通过示教器或者离线编程的方法。这种固定的点到点的操纵控制方式,不能够应对复杂的抓取环境,需要机器人具有更高的智能化。此外,传统的机器人抓取针对的是特定的检测工件,通过人工设计特征提取,并使用模板匹配等方法。该种方法可移植性不强,鲁棒性较低。因此,面对类别多样、姿态各异的抓取对象,本课题提出一套在ROS（Robot Operating System）软件环境下,基于深度学习的机械臂智能抓取系统,使机械臂能够应对多样的抓取环境,提高机械臂智能化抓取能力。本文主要研究内容如下:（1）首先,针对待抓取的生活用品进行系统的整体需求分析,并搭建系统整体框架。针对性的对硬件选型、及系统控制流程设计。（2）针对基于图像的SSD（single shot multibox detector）目标识别算法存在信息源单一,导致中小目标对象误检漏检现象,提出改进多层尺度特征融合算法,丰富特征层特征信息,增强特征图特征表达能力。此外,为进一步提高算法检测精度,对视觉传感器进行标定,保证空间场中的信息完全映射到图像上。（3）针对检测到目标对象位姿的快速判断,在准确得到目标对象类别、定位框的基础上,通过聚类算法得到对象点云模型,并利用Ran Sa C（Random Sample Consensus）算法进行代表性几何特征点提取,最终通过PCA（Principal Component Analysis）进行目标点云主方向判断,得到目标对象姿态信息。并结合定位框位置信息得到目标对象位姿。（4）针对机械臂实际工作场景,既要考虑到机械臂的快速响应,又要充分考虑机械臂运动得安全范围。因此,对采用随机搜索路径点策略的RRT（Rapidly-exploring Random Trees）算法进行改进。核心想法是,结合人工势场法思想提出改进RRT算法,并加载到OMPL（Open Motion Planning Library）运动规划库,能够有效节省路径搜索时间,提高了机械臂运动规划在高维空间的成功率。（5）针对目标检测算法、目标位姿判断算法、运动规划化算法及机械臂控制逻辑问题,基于ROS机器人操作系统,整合系统整体软硬件,利用Move It运动规划插件及rviz可视化软件,对抓取情形进行分析。最终将得到的目标在视觉传感器中位姿,通过坐标变换到机械臂坐标系下,最终成功抓取目标对象。本文搭建的基于深度学习的机械臂智抓取系统,在改进传统目标检测算法误检、漏检的的基础上,有效的提高了机械臂应对复杂环境下的抓取能力。结果实验表明,本文提出的机械臂抓取体系统具有较高的可操作性与可行性。