近年来,随着科技的飞速发展,智能机器人逐渐在多个领域得到应用,人类对机器人的智能化程度要求也越来越高。无论在学术界还是工业界,机器人抓取领域一直是研究的重点方向之一。随着计算机视觉和深度学习技术的兴起,将深度学习与机器人技术相结合成为了现今应用与研究的热点。目前在抓取位姿检测方面的算法虽然种类繁多,但无论是传统检测算法还是基于深度学习的检测算法,在存在高相似度物体、部分遮挡等复杂场景下检测效果均不理想,在准确性、实时性等方面有待提高。因此,本文针对分拣过程中的此类问题,提出一种新型抓取检测算法,并搭建分拣系统进行仿真实验验证。根据分拣过程的实际情况和任务需求,对分拣系统的特点和难点进行了分析,设计了分拣系统的整体框架,分析了任务实现的总体流程。根据实际需求设计了系统的总体方案,系统研究内容主要有目标检测网络的搭建及训练、仿真环境的搭建及可视化软件界面的设计与开发。对卷积神经网络的理论基础进行了分析和介绍,为后续目标检测网络的搭建提供理论支撑。针对分拣任务中的实际需求,提出了一种基于改进Center Net的目标检测网络,在网络输出部分增加预测旋转角度的分支。对改进后的Center Net进行了拓展,在预测阶段加入对目标物体最佳抓取位置的预测。由工业相机、工业镜头等设备组成了硬件采集系统,对工业相机采集到的实时图像进行预处理操作,对比多种白平衡算法后解决了采集过程中的色彩偏差问题。通过采集系统采集图像数据集,完成了自制数据集过程。网络训练后在验证集上进行测试,网络在各项评估指标上均有良好的表现。使用Coppelia Sim软件作为仿真平台,构建了分拣任务所需物体的三维模型,根据物体的实际特性对模型及仿真的参数进行配置,布置分拣任务场景。使用Python与仿真软件进行通信实现联合仿真。分析了分拣过程中相机坐标系和机器人坐标系间的转换关系,并通过分拣实验验证了系统的有效性。以Qt Designer作为界面设计工具,使用Py QT5实现了软件的开发。软件中主要包含分拣系统控制、离线检测及实时检测等功能,通过可视化界面的操作和设计,使操作人员更加简单、便捷的使用上述功能。使用软件控制工业相机对检测算法进行了实验验证,算法的准确性及实时性均满足任务要求。