随着工业机器人应用的普及,工业生产的自动化水平不断提高,基于机器视觉的自动化装配、分拣在自动化工业生产中具有重要的应用前景。相较于传统的人工装配,基于工业机器人的自动化装配在高效性与稳定性等方面都具有显著的优势。对工业场景下的零件进行识别及姿态估计,在提高机器人装配、分拣等生产环节的自动化程度具有重要的意义。针对工业环境中零件识别效率低,姿态估计准确率不高以及大量训练集难以获取的问题,对基于深度学习的零件识别及姿态估计进行了研究,提出一种基于卷积神经网络与虚拟深度图像数据集的零件识别及姿态估计方法。首先使用OSG（Open Scene Graph）构建虚拟训练集,解决了大量训练集难以获取与标注的问题,然后采用卷积神经网络实现工业场景下零件的识别以及姿态估计,完成的主要工作如下:（1）构建了用于零件识别以及姿态估计的深度图像数据集,包括使用OSG生成的虚拟数据集与使用深度相机拍摄的真实数据集。使用OSG与物理引擎在虚拟场景内渲染得到大量杂乱场景虚拟深度图像数据集,并对各种零件在不同姿态角度下进行渲染得到的零件姿态估计虚拟深度图像数据集。真实数据集使用Kinect2.0深度相机采集零件深度图像并修复处理获得。（2）研究了基于卷积神经网络与虚拟训练集的零件识别方法。构建不同深度与结构的卷积神经网络模型并使用虚拟深度图像进行训练,训练完成后,使用真实数据集对网络模型进行测试并选择识别准确率更高的零件分类模型。实验证明,该方法使用虚拟训练集训练,实现了对真实零件的准确识别,同时使用深度图像对于零件反光和少纹理情况具有一定的鲁棒性。（3）研究了基于FSA-Net（Fine-Grained Structure Aggregation Network）的零件姿态估计方法。将头部姿态估计网络FSA-Net应用于工业零件姿态估计,首先对FSA-Net进行算法结构分析,然后通过实验分析了特征评分机制与细粒度结构映射对网络框架的影响,最后通过实验确定了姿态估计训练集的采样间隔,在控制训练集数量的同时又保证了姿态估计的角度,准确地实现了工业零件的姿态估计。在虚拟测试集上,零件姿态估计平均误差为1.92°,在真实测试集上,零件姿态估计平均误差为6.31°。（4）对基于全卷积神经网络（Fully Convolutional Networks,FCN）的杂乱场景零件分割方法进行了研究。构建全卷积网络模型用于杂乱场景的语义分割,实现了零件的像素级分类。在训练中通过调节超参数使模型的损失函数快速收敛,训练完成后,测试网络模型对杂乱场景的零件分割准确率,实验证明,在虚拟测试集上零件分割像素精度达到91.42%,在真实测试集上零件分割像素精度达到85.66%。（5）通过对杂乱场景分割模块与零件姿态估计模块的集成,搭建了杂乱场景零件位姿估计网络框架。首先对场景内的零件进行分割,利用分割结果对深度图像进行像素提取,然后进行定位与姿态估计。训练完成后,使用虚拟测试集与真实测试集分别测试该网络对杂乱场景下的零件识别及位姿估计精度。实验证明,本文所提出的零件杂乱场景位姿估计方法,可对场景内的零件进行准确分割及位姿估计,为工业自动化分拣装配提供稳定的信息基础。（6）研究了基于PVNet（Pixel-wise Voting Network）的杂乱场景零件位姿估计方法。首先通过深度相机采集杂乱场景深度图像与RGB图像,通过相机标定板标注零件与相机坐标的转换关系,然后利用采集的图像构造点云模型,通过点云模型生成分割掩码与位姿标签。训练集制备完成后通过对PVNet网络进行训练与测试,实现杂乱场景的零件位姿估计。