在智能制造领域,如何利用三维视觉传感器对随机散乱摆放的工件进行三维建模与分割,是利用机器人准确定位和抓取工件,实现高度自动化生产的基础。自2018年深度学习技术被首次应用到三维实例分割领域后,相关研究取得了初步进展,但仍然存在着分割精度低,速度慢的问题。尤其是智能制造领域,小尺寸工件还具有低纹理、小体积、易遮挡的技术难点,因此,本文以DB9九针串行通信接口零件为典型应用对象,研究密集摆放工件的三维分割问题。本文主要内容如下:（1）总结了目前三维实例分割技术的研究现状,并阐述了相关的算法原理,为本文的研究内容提供理论支撑。（2）针对由传感器采集的原始数据中出现的离群点和冗余平面的问题,使用了统计滤波与Ransac算法对点云数据进行预处理,为分割网络提供高质量的训练数据。同时,针对在构建工件的实例分割数据集中出现的人工标注耗时问题,提出了一种由人工标注数据合成工件实例分割数据集的算法,并対合成数据集与人工标注数据集进行了实验对比,验证了数据集生成算法的有效性。（3）提出了面向散乱工件场景的实例分割网络IP-BoNet（Industrial PartsBounding BoxNet）。该网络以3D-BoNet为基础,针对散乱工件场景下点云的特点进行了四个方面的改进,具体包括:1)工件点云规模庞大,而在3D-BoNet的边界框回归分支中,由于仅使用全局特征作为边界框回归的输入,导致缺少局部信息。针对此问题,本文将网络的多个下采样层通过各点特征相加的方式进行融合,增加了供边界框回归的局部信息,提高了分割的精度;2)工件点云密度不均匀,而3D-BoNet在特征提取过程中未考虑点云密度变化。针对此问题,本文设计了一个基于注意力机制的密度加权的特征提取模块。该模块能够赋予低密度区域的点云特征更高的权重,让网络学习到更具有表达能力的特征;3)针对网络下采样过程使用固定大小邻域而导致的部分点云无法被利用的问题,本文使用空洞卷积扩大采样中心点的邻域范围,让特征图获得更大的感受野,能够更加充分的利用输入的点云数据;4)在3D-BoNet网络中采样算法为最远点采样,随着点云数量的上升,其计算量急剧增加,不满足工业生产背景下的实时性要求。本文通过在网络的高层与低层中分别使用最远点采样与随机采样法,提高了计算速度。最后,在工件数据集上开展了一系列实验,表明本文提出的网络相比于3D-BoNet拥有更高的精度与速度,验证了改进方法的有效性。