与传统人工搬运相比,机械手臂具有生产效率高、耐疲劳、精度高、稳定性好、作业空间小和成本低等优势,大大提高了生产效率,机械手臂作为一个高度复杂的时变耦合非线性系统,本论文聚焦参数不确定、视觉目标定位两个问题,通过智能算法对关节角度参数进行优化处理,以保证机械手臂具有良好的轨迹跟踪效果,并结合图像处理技术实现机械手臂对目标物体的分拣和抓取。论文主要完成的工作:第一,建立了6自由机械手臂的运动学模型,采用D-H（Denavit-Hartenberg）参数研究了运动体内部各连杆之间的坐标变换关系,并分析了机械手臂的正运动学模型和逆运动学模型。第二,针对复杂背景环境下,结合现有的机器视觉技术,本文提出了目标检测优化算法（TDOA）。首先对图像进行预处理,实现背景-前景的分离,再结合模板匹配和SIFT特征匹配两种匹配方法,利用单应矩阵确定前景图像中的目标物体;然后根据坐标之间的关系实现三维坐标系的确定。最后,将所提的优化算法与其他三种目标检测算法进行了实验对比,验证该算法在准确率和召回率方面具有一定的优势;在相机标定实验中,得到了相机的内部参数,并且与实际的误差较小。第三,针对逆运动学计算每个关节角度容易出现多解且计算复杂度高的问题,本文提出了多种群蚁群算法（MCAA）对机械手臂的轨迹进行优化。根据机器视觉技术检测出目标物体坐标,采用逆运动学计算出每个关节角度范围,将关节的角度范围作为该算法的输入参数,并把每个关节的角度抽象为蚂蚁,采用预选和交互机制进行迭代演化,最终演化出各个关节的最优角度。另外为了保证机械手臂能够按照多种群蚁群算法计算出的期望轨迹运行,本文在系统运行过程中采用迭代学习控制法,减小了期望轨迹和实际轨迹之间的误差。仿真实验结果表明:与改进的蚁群算法和改进的多种群集成差分进化算法相比,该算法在抓取时间、抓取准确度方面,具有较好的性能优势。第四,根据相关的理论和算法分析,实验室搭建了样机并通过相关实验,验证了本文所提的机械手臂运动控制相关算法的正确性。