近年来,深度神经网络在二维图像领域的应用取得了很大的成功,随着三维传感器的普及,机器人可以直接通过深度相机获取深度数据,如何利用三维信息去提升机器人的感知能力也成为了计算机视觉领域的一大热点,本文主要针对机器抓取任务,利用三维信息实现对物体的识别和姿态估计。本文研究物体的机器抓取中的两个核心感知算法,包含三维识别和姿态估计,其中姿态估计是基于标准模型的相对姿态估计。抓取过程中首先需要知道物体的位置以及类别,从而确定抓取的目标,得到目标后需要获取其姿态以便控制机械手实现抓取。三维物体识别与姿态估计之间的联系紧密,由于最终输出的姿态是相对标准模型的,因此首先需要通过识别从模型库中获取匹配的标准模型。本文面向机器抓取任务中对高准确性和鲁棒性三维感知算法的需求,针对三维物体识别中的旋转不变问题与姿态估计中噪声干扰问题,提出利用旋转不变编码器和加权霍夫投票算法,实现了对物体旋转不变的识别和对噪声鲁棒的姿态估计。本方案首先对原始输入的深度数据进行滤波,针对抓取应用中两种常见场景提出不同的分割算法的对点云进行分割,分割后得到目标物体表面的点云。识别阶段,针对点云坐标随相机坐标系改变而改变的缺陷,本文研究并改进了一种针对三维点云数据的旋转不变三维物体识别方法,该方法包括点云旋转不变特征编码器、点云下采样方法、基于层级图卷积网络的分类网络三个部分。三维物体姿态估计阶段,本文通过提取PPF（Point Pair Feature）特征的方式,将场景点云和模型点云进行匹配,并通过考虑噪声的加权霍夫投票方法计算得到位姿。此外为了提高计算效率,本文改进得到一种基于网格划分与局部几何变化率的点云下采样方法。