抓取操作作为机器人的一项基本技能,在推进机器人智能化道路上扮演着十分重要的角色。目前,面对非结构化环境,机器人抓取技术仍缺乏自主能动性和环境的适应能力,严重影响了机器人的推广应用。基于机器视觉的机器人抓取方法在环境感知、动态决策和行为控制方面表现出了突出优势,但训练性能优良的深度识别模型需要海量带有标注信息的样本数据,且运用带标签的数据训练的识别模型在迁移到真实环境的过程中会出现性能大幅度下降的现象。针对上述问题,本文开展了基于领域自适应学习的机器人多目标物体抓取识别技术方面的研究工作,通过研究多目标物体抓取识别算法实现复杂环境中各目标物体的抓取位姿识别,运用标签噪声鲁棒性回归损失、数据跨域对抗生成等技术研究领域自适应学习方法,降低异域数据的分布差异,提升抓取识别模型的跨域识别能力,进而实现机器人在复杂环境中快速准确的抓取操作。主要研究内容如下:（1）提出了基于注意力机制多级特征融合的多目标物体抓取识别算法,以克服传统抓取识别方法在非结构化环境中识别准确率低、泛化能力差的问题。首先利用深度学习技术构建了物体检测与抓取位姿测量网络模型,并通过设计联合推理策略将两功能模块有机融合,实现了物体检测与抓取位姿的网络参数共享,减少了模型的参数量,提升了抓取识别速度;其次提出了基于注意力机制的多级特征融合方法,充分利用多级网络特征,降低噪声干扰,提高了抓取识别准确率;最后在多目标物体抓取数据集上开展了算法的性能测试实验,结果显示,物体检测准确率为95.31%,抓取位姿识别准确率为87.10%,识别速度达31.42fps,证明了该算法能够快速准确地识别出复杂场景中各目标物体的类别及其抓取位姿。（2）研究了标签噪声鲁棒性的领域自适应学习算法,以充分利用无标注信息的目标域样本训练性能优良的深度学习识别模型。针对无标签的目标域数据,提出了伪标签设定方法及其可信度判定方法,并根据目标域样本伪标签的可信度,构建了标签噪声鲁棒性的回归损失函数,降低了错误标签对识别模型的负迁移效应。并且在公开的Office-Caltech与Office-31图像识别数据集上进行了算法的性能测试,结果显示,领域自适应学习算法相对基准算法在两数据集上的识别准确率分别提高了13%与7%以上,能够有效提升深度识别模型的跨域识别能力。（3）研究了跨域自适应的多目标物体抓取识别算法,以提高机器人智能抓取操作系统跨域应用时的鲁棒性。一方面建立了图像跨域生成机制,在保留图像中目标物体特征及其标签信息不变的情况下,利用生成对抗算法将源域图像生成具有目标域风格的伪目标域图像,从数据层面减小两异域数据的特征差异;另一方面构建域混淆网络模块并融入到多目标物体抓取识别模型中,从网络结构层面减小异域数据的特征差异。并结合标签噪声鲁棒性的领域自适应学习技术,同时利用带标签的伪目标域与无标签的目标域数据训练多目标物体抓取识别模型,进一步提升抓取识别模型的跨域识别能力。最后建立了三个背景完全不同的跨域抓取数据集,测试了算法的跨域抓取识别性能,结果表明,该算法相对非跨域抓取识别方法在跨域抓取识别任务中物体的抓取识别准确率均提高了40%以上,有效证明了所提算法的优越性。（4）搭建了基于视觉识别的机器人智能抓取操作系统平台,完成了相机单双目标定、机器人“手-眼”标定与机器人运动控制等相关工作;设计了机器人抓取策略,并开展了非结构化环境下的机器人多目标物体分拣、未知物体抓取和堆叠螺栓抓取等相关实验。实验结果表明,基于领域自适应学习的多目标物体抓取识别算法能够准确稳健的指导机器人在复杂环境下自主的完成各类目标物体的抓取分拣操作,且对跨域识别任务具有强鲁棒性;同时还证明了该抓取识别算法可推广到新类别物体的抓取应用场景中。鉴于上述成果,本文的研究工作可为进一步研究机器人智能抓取识别算法提供理论和实验依据。