随着我国经济增量与科学技术的飞速发展,工业现场自动化、智能化程度越来越高,对于工业生产效率的要求也日趋增长,由自动控制来代替人工人力是我国工业发展的必然趋势。在我国每年工业生产线都要运输上百亿吨箱体货物,而如此大体量的市场,很多工业环境仍然以人工集中搬运为主。为了提高生产效率,很多企业引入了KUKA（库卡）、FANUC（发那科）、ABB等拆垛机器人,但是由于其大多为固定线路固定抓取点的拆垛机器人,所以工业环境中还是需要人工来摆放箱体,整理垛型,大大影响了生产装运速度。因此,研发一种可以解决抓取工业现场无序摆放的箱体的拆垛机器手,已经成为当今工业形势下亟需解决的问题,并且可以将目标识别算法进行泛化,大大降低并联机器人的成本问题。（1）根据系统的功能需求完成了拆垛系统的硬件搭建,从上位机到下位机,介绍了每个硬件选型的理由、硬件的特点、系统中发挥的功能以及具体的参数。（2）基于深度学习将Mask R-CNN目标检测模型的应用于箱体识别系统中,主要进行了根据Real Sense 3D相机采集到的箱体无序位置摆放下的彩色图像,并将这些图像进行标注,训练用于自己的Mask R-CNN目标检测模型等准备工作,建立基于Real Sense 3D相机与机器手之间的手眼标定、坐标系转换以及机器手运动控制系统,可以很好完成机器手识别抓取任务的实现。（3）将Mask R-CNN目标检测系统、Real Sense 3D相机标定坐标系转换系统与机器人运动控制系统进行有效集成,并实现上下位机的通讯,系统人机交互界面的设计,使整个系统可以完成从相机获取彩色图像和深度图像,到驱动机器手完成箱体抓取的任务,并且具有良好的检测效果,实现了复杂无序垛型中对单个箱体的有效定位,解决了工业生产中不同箱体形状不同摆放位置的箱体识别问题。本系统已经于2019年3月在天津日博工业技术有限公司使用,并且投入一些大型药企如天津北辰天士力、天津武清红日等工业现场实际测试使用,通过实际的箱体抓取拆垛证明,基于深度学习的目标识别定位抓取系统人机交互能力表现较好,抓取精度较高,设备操作简易,可以应用于复杂无序的工业运输箱体环境中,在不同环境下仍然可以稳定运行,极大地提高了日常生产运输效率。