目标物体的位姿识别和各种场景下的运动规划问题是非结构化环境下机器人作业的关键技术。一方面,现有位姿识别算法中,基于模板搜索匹配或者基于迭代的算法速度较慢,基于神经网络的算法往往模型体积较大,意味着更大的存储需求和计算量。而嵌入式的机器人系统往往存储和计算能力受限,但有实时性及精度需求。另一方面,机器人系统中往往存在多场景的运动规划问题,包括高维问题。因此,使用的运动规划算法需要便于泛化、适用于高维问题,并且速度更快的算法更有优势。针对目标物体位姿识别的问题,本文提出了一种轻量化、高精度、基于点云和神经网络的位姿识别算法。首先从点云中采样若干局部点云。提出了从全局或局部点云中提取关键点的方法,其相对位置不随点云位姿变化。提出了以点到关键点的距离计算得到点特征的方法,该特征同样不随点云位姿变化。提出了基于PointNet点云抽象特征学习模块的、层级化的神经网络模型,以全局、局部点云的无序点集及其点特征为输入,预测得到每个局部点云关键点的物体坐标。其中点特征不随位姿变换的特性以及区别于稀疏格点数据的无序点集数据形式,都简化了输入数据分布,使得神经网络模型得以轻量化;层级化的结构则能应对局部几何相似性造成的歧义。最后,根据关键点的当前坐标和物体坐标的对应关系,通过解析解的方式求出物体位姿。仿真实验表明,该算法能达到大约2～3mm的初始最近点误差,以及经过极少步骤ICP算法后处理后约1mm的误差。通过消融实验证明了层级化网络结构的意义。最终,将该算法分别和已有的神经网络算法在模型大小上,和点对特征匹配算法在精度上进行了对比,证明该算法模型体积更小且精度更高。针对机器人作业的运动规划问题,本文采用了适用于高维问题的、基于采样的运动规划算法。该算法用深度学习中的条件变分自编码器替代了传统的随机均匀采样器。新的采样器通过在成功规划案例形成的数据集中的训练,可以实现在最优路径附近的集中采样。通过设计条件变量,可以将该算法简单地泛化到不同的场景。此外,提出了通过混合概率分布方差不同的采样器、以及采用低分散度的序列化采样器的方法,进一步优化采样算法的收敛能力。在不同的场景中,基于OMPL开源库,进行了算法的模拟实验。通过实验可以发现该算法在规划成功率和路径损失的收敛速度上都优于普通采样算法,对算法的两处改进也有一定效果。