机器人已经被广泛应用于各行各业且极大地提高了社会生产力,而机器人抓取技术是机器人研究中的热点之一。目前,大多数工业机器人都是在相对固定的结构化环境下执行抓取任务。但是当工作场景、抓取任务和目标物体等外界因素发生变化时,就要求机器人具有良好的抓取检测性能,否则会导致抓取失败。深度学习具有良好的非线性拟合能力、知识迁移能力,在计算机视觉等领域已取得显著成功。本文利用深度学习方法,重点研究机器人抓取位姿检测问题。基于深度学习,设计了一种抓取姿态检测网络模型,以提高抓取位姿检测的准确性和泛化性,让机器人面对未知环境、陌生目标物体依然能够完成抓取动作,并对模型进行了实验验证。本文的主要研究内容如下:（1）首先,设计了机器人抓取方案,主要流程是目标检测、位姿检测和抓取执行。针对目标检测问题,分析图像获取和处理方式、深度相机成像以及测距原理。研究抓取位姿检测问题,确定抓取表示参数,建立本文抓取位姿表示方法。对于抓取执行问题,推导像素坐标系到机器人基坐标系转换关系,得到物体在机器人基坐标系下的位置。（2）其次,分析不同的目标检测方法,建立目标检测网络模型,利用改进尺度检测和改进损失函数两种方案优化模型,提高模型对目标物体检测的准确率和速率。对康奈尔数据集重新标注,使标签满足目标检测任务要求,在数据集上训练目标检测模型。实验结果表明,本文改进的目标检测算法具有良好的检测精度。（3）然后,研究了卷积神经网络基础理论,利用残差网络结构建立抓取位姿检测模型,并引入特征金字塔机制对模型进行优化。在康奈尔数据集基础上,自建数据集作为模型训练的补充。利用数据增强处理,扩充数据集,在数据集上训练抓取位姿检测模型。实验结果表明,本文的位姿检测模型可以达到良好的检测准确性。（4）最后,搭建机器人抓取实验平台,完成相机标定和手眼标定。设计机器人抓取实验,记录抓取实验数据。分析实验结果,最终验证了本文提出的抓取位姿检测算法具有良好的准确性和泛化性。