目标识别与定位是协作机器人研究领域的一个重要分支,目标识别与定位方法是协作机器人完成搬运、分拣、码垛、组装、质检等任务的关键技术。目前基于深度学习的目标检测算法可以实现机器人操作目标识别,并且具有较高的准确率,是机器人领域的一个研究热点。结合协作机器人操作场景下的目标特点,对基于深度学习的协作机器人操作目标识别与定位方法进行研究,提高检测精度,具有重要的理论及现实意义,同时也具有广阔的应用前景。本文以协作机器人操作目标识别与定位为研究对象,开展了基于深度学习的目标检测算法研究和基于双目相机的目标定位方法研究。论文的主要研究工作如下:首先,研究了基于特征融合的目标检测方法。针对深度学习目标检测算法SSD(Single Shot MultiBox Detector)对小尺度目标识别效果较差的问题,提出了一种基于多尺度特征融合的扩展反卷积SSD目标检测模型。该模型首先选取基础网络特定层,通过上采样和对位元素求和的方式进行特征扩展,提高特征金字塔表征能力;然后,以扩展得到的新特征图为基础,构建多尺度特征金字塔,实现多尺度目标识别;最后,选择特征金字塔的浅层特征层以反卷积上采样和特征图串联的方式进行特征融合,扩展浅层特征层的语义信息,提高小目标物体检测效果。在PASCAL VOC公开数据集上的测试结果表明,所提方法提升了小目标物体检测准确率。其次,研究了遮挡情况下目标检测方法。针对深度学习目标检测模型中非极大值抑制算法存在误删被遮挡目标检测框的问题,提出了一种连续的柔化非极大值抑制算法。将原始非极大值抑制算法中的置信度分数重置函数由分段置零置一函数,修改为连续衰减函数,既保证了对重叠面积过大检测框的抑制效果,又对剩余检测框的分数进行了不同程度的衰减,还保证保留的检测框置信度分数不存在分数突变,降低了被遮挡目标被判定为假阳性的概率。在PASCAL VOC公开数据集上进行验证,在遮挡情况下识别准确率有一定的提升,并且对无遮挡情况没有影响,证明了改进方法的有效性。最后,研究了协作机器人操作目标定位方法。研究了深度学习目标检测模型中区域候选框设置方法,通过实验分析了区域候选框尺寸、比例、数量对检测效果的影响。根据实际场景,制作了协作机器人操作目标数据集,通过聚类方法提取数据集中检测目标尺度和比例特征,结合该特征重新设置区域候选框比例和尺度,并应用在改进的SSD目标检测模型上。检测结果证明,修改锚框设置后的模型检测准确率有一定提升,可以实现对图像中目标物体的识别。根据目标检测结果可以得到协作机器人操作目标在图像中的位置,结合双目相机实现了操作目标的空间定位。