近些年电子产品更新迭代速度越来越快,电子废弃物规模正在急剧增加,全球生态环境面临着越来越大的挑战。目前全球约70%的电子废弃物集中在我国进行处理,实际生产中仍然以手工拆解为主。落后的回收处理技术严重制约着稀贵材料的回收率,造成了大量资源的浪费以及巨大的生态环境压力。在正规回收企业中以热熔拆解为主要拆解方式,但拆解后一般不分类直接进行熔融处理,这种处理方式对元素的针对性不强,对资源造成了浪费,因此拆解后如何将电子元器件分类,使资源得到高效利用是回收企业面临的主要问题之一。本文分析了电子元器件市场的经济效益和回收规模,为提高分拣效率,减少资源的浪费,改善从业人员的工作环境,对基于视觉的电子元器件分拣机器人关键技术进行了深入的理论研究,主要的研究内容如下:通过对相机的成像原理进行分析,应用与实际较为贴合的非线性成像原理对图像像素坐标系到世界坐标系的转换过程做了详细的推导。建立了相机的畸变模型,通过对比Matlab标定和Open CV标定的优劣及最终的标定结果,最终选择标定平均投影误差更低的Matlab标定法,根据标定的结果获取相机的内参,通过输入内参矫正图像的畸变。为让机械臂根据图像中的电子元器件位置抓取到三维空间中的电子元器件,建立了eye-to-hand手眼标定模型,确定了其变换关系。在目标识别及计算电子元器件位姿方面,分析了基于卷积神经网络的YOLO目标检测算法的网络结构和检测原理,采用部分电子元器件的图像作为训练神经网络的数据集,使用YOLO算法进行识别标定。提出一种基于Sobel算子的改进算法,对ROI的电子元器件图像进行边缘提取,获得较完整的电子元器件边缘图像,从而确定电子元器件的位姿信息,为机械臂抓取电子元器件确定了末端夹爪的位姿。分析了分拣机械臂的特性,采用D-H法对机械臂进行了正、逆运动学求解,使用七次多项式插值的方法对各关节的运动轨迹进行规划,以使其能够完成一系列动作,为了提高机械臂的运动效率必须要进行相关的轨迹优化,本文提出一种改进的量子遗传算法,该算法引入正态分布概率密度函数改进了量子门旋转角步长策略,满足了机器人关节各参数曲线连续光滑的要求,能够在满足非线性约束条件的基础上得出最优关节轨迹曲线,有效缩短机械臂关节运动时间,提高了机械臂的效率。搭建了由机械臂、控制系统、传送带、Open CV和CMOS相机等组成的分拣平台,验证系统的有效性。通过随机放置在平台上的9种电子元器件进行450次分拣实验,得到综合识别成功率98%,综合分拣成功率93%的结果。实验结果表明:该分拣系统能够满足分拣要求,达到提高效率、减少有毒化学物质对人体损害的目的。