机器人跟踪并抓取动态目标是制造业和空间探索中面临的一项挑战性任务。例如工业机器人需要分拣传送带上输送的零件,空间机械臂需要抓捕运动中的空间碎片等。为了实现精确而又可靠的抓取,机器人需要从复杂的背景中准确识别目标,然后预测目标运动情况并引导机器人抓取。针对这一需求,本文从两个方面开展工作:基于传统机器视觉技术和运动估计方法结合,研究平面运动物体的运动估计及抓取问题;基于深度学习框架,研究非结构化场景中复杂目标的运动估计问题。提出了基于KCF（kernel correlation filter）和改进卡尔曼滤波的运动估计方法,解决了机器人跟踪并抓取平面上匀速和匀加速运动目标的难题。首先利用KCF算法从背景中识别出运动目标;然后通过前馈径向基网络动态调整卡尔曼滤波方程中的采样时间,提高了卡尔曼滤波预测运动目标轨迹的准确性。本文提出的方法解决了“手—眼”不同步导致的机器人运动滞后的问题,实现对匀速运动和加速运动目标的准确抓取。提出了基于SVG深度网络的目标运动估计方法,解决了非结构化环境中对复杂目标的运动估计难题。首先利用双流模型逼近具有时间序列关系的图像先验分布,然后通过SVG学习视频中目标图像在可观测空间和潜在空间的运动规律,预测后续目标图像的像素密度和分布。进一步,引入目标的预测结构与原有结构的关键点匹配策略,在模型训练时对预测帧中的目标整体性进行约束,建立了基于关键点约束和先验模型相结合的学习框架;最后,通过将先验模型产生的随机分布采样与给定帧的确定性预测相结合,实现了对运动目标整体结构的准确预测。最后,本文搭建了UR机械臂实验平台,通过抓取平面上规则运动物体的实体实验,跟踪不规则运动UR3机械臂和乒乓球的轨迹,验证了所提出算法的有效性。