随着世界进入人口老龄化时代,劳动力短缺成为各国经济发展面临的重要问题。服务型机器人可辅助人类进行繁杂的日常性工作,因此日益成为机器人领域的研究对象。在人类的日常生活活动中,穿衣最重要的活动之一,但对老年人、残障人士等群体而言却是一项负担。近些年来,机器人辅助穿衣的研究逐渐成为服务型机器人领域的研究重点,该研究旨在通过各种研究技术与手段辅助用户穿上衣物。然而目前大多数辅助穿衣研究着重考虑穿衣过程,简化了机器人的初始设置,默认机器人末端执行器在穿衣过程开始前已经抓取了衣服。考虑到衣物在日常环境下的摆放姿态,考虑如何将衣服展开到可穿状态,是机器人完成辅助穿衣的关键步骤。在机器人操作衣物的研究中,基于监督式深度学习范式从标注数据中识别衣物抓取点是当前主流的解决方案。其中,目前针对机器人操作衣物的研究尚未有公开的数据集,而采集训练数据仍然是一项十分具有挑战性的问题。在真实实验环境中,采集真实训练数据是一项极为耗时耗力的过程,该过程需要依赖高昂的设备与集中人力的时间成本。为了扩充训练数据,在虚拟引擎中生成大量合成数据是一种有效的扩充手段,虚拟引擎因其易标记与易建模的特性得以广泛应用。然而,由于合成领域的数据与真实领域的数据存在天然的领域差异,而现有衣物抓取点识别研究无法充分提取领域特定的衣物表征,使得模型在大规模合成数据的引入后性能提升有限,从而阻碍了抓取点识别模型的预测精度。为了使得模型能够自适应地学习每个领域的领域特定表征,进而进行充分融合得到衣物的跨域特征表示,本文提出跨域表征学习（Cross-Domain Representation Learning,CDRL）框架,CDRL框架中包含两个主要模块,包括领域特定的特征精炼模块与跨域表征融合模块。领域特定的特征精炼模块在骨干网络提取的基础特征上,引入领域特定的可变性卷积分支使其对领域特征进行充分自适应的提取工作。跨域表征融合模块将领域分支的衣物表征进行充分融合,从而提升模型表现。该框架从合成域和真实域中提取特定领域的自适应性特征,并进一步融合为鲁棒的跨域特征,从而能够更好地利用大规模标记的合成数据。这也是首次将跨域表征思想引入衣物抓取点识别任务中。同时与现有的衣物抓取点模型中的思想进行对比,包括单域数据训练、真实数据递增式训练、将合成数据通过特征变换与风格转换等方法进行对比,本文提出的跨域表征学习框架在相同的数据配置下取得最好的识别精度1.4cm,可使得网络更好地利用更易获取的合成数据。基于所提出抓取点识别CDRL网络,本文实现在Baxter人型机器人上将悬置状态的衣物展开至目标状态,并辅助用户进行穿衣服务。在真实实验中,Baxter机器人将悬挂状态的衣服展开到可穿状态并取得92%的成功率,并为6名用户提供辅助穿衣服务。