机器人抓取检测旨在基于图像等观测信息生成适合机械手抓取物体的位姿,对于工业过程中的物体分拣和生活场景中的人机互助等应用具有重要作用。当前机器人抓取检测面临抓取位姿表示模型适用性差、物体特征利用率低、数据集标签稀疏且训练和测试分布不同等问题。针对上述问题,本文从提高抓取位姿表示模型适用性、优化特征提取和融合方式、改进抓取标签生成过程三个角度展开研究,提出基于有向抓取建模与区域感知的像素级平面抓取检测方法和基于on-policy合成数据集的像素级平面抓取检测方法,并通过实验验证了所提出方法的有效性和先进性。本文主要研究内容和创新点如下:（1）有向箭头抓取表示模型（Oriented Arrow Representation model,OAR-model）和自适应抓取属性模型（Adaptive Grasping Attributemodel,AGA-model）。针对当前抓取矩形框等表示模型仅适用于二指机械手且难以学习的问题,提出OAR-model对三指和二指机械手的抓取位姿进行建模,采用固定的夹爪尺寸和可学习的抓取宽度提高模型的可学习性和适用性。AGA-model对物体的抓取属性进行组合建模,解决网络训练中的抓取角度冲突问题,将抓取检测问题转化为抓取区域分割、抓取角度分类和抓取宽度回归问题,提高学习效率。同时,采用AGA-model进行人工标注像素级抓取标签极大提高了标注效率。（2）自适应特征融合与抓取感知网络（Adaptive Feature Fusion and Grasp Aware Network,AFFGA-Net）。针对物体位姿多变和图像特征利用率低的问题,本文以DeepLabv3+网络为基础设计了 AFFGA-Net。首先设计混合空洞空间金字塔模块提高特征利用率和有效权重数量,然后通过自适应解码器对不同尺度和层级的特征按特定顺序融合,为各头部预测网络提供最相关的特征,最后通过混合上采样和Sigmoid函数准确恢复抓取参数预测图,有效提升了基于RGB图像的抓取检测准确率。AFFGA-Net在公开的康奈尔数据集取得了 99.01%的抓取检测精度。（3）基于平行深度图像的on-policy像素级抓取数据集生成方法。针对现有抓取数据集标签稀疏且训练和测试分布不同的问题,本文提出一种新的数据集生成方法。该方法基于由平行投影生成的平行深度图像逐像素计算鲁棒的抓取位姿,使训练和测试抓取检测网络的数据分布均为深度图像到抓取位姿的映射,提高网络泛化能力。基于上述方法,本文构建了包含超过四万张图像和五千万个抓取标签的PLGP-Dataset数据集,并训练和测试了 24个像素级抓取检测网络以验证抓取检测性能。（4）在线验证系统及实际场景中的机器人抓取测试系统。针对现有抓取评价方法无法准确计算抓取成功率的问题,提出在线验证系统,该系统在仿真系统中构建了 320个多物体堆叠场景,并通过两种抓取模式获取抓取检测算法的成功率、物体清空率和平均精度。其次,本文基于ROS系统和Kinova机器人搭建了自动抓取系统,并对40个外观和材质不同的物体进行多组抓取测试。本文在康奈尔数据集、仿真抓取验证系统、机器人自动抓取系统中分别对所提出的方法进行了验证实验,并与多个近年内的先进方法进行比较,充分证明了本文方法的先进性与有效性。