作为机械臂操作的“圣杯”问题,无序抓取应用场景广泛,而稳定快速的物体识别和位姿估计算法则是该问题中的关键之一。本文针对无序抓取场景,应用基于物体渲染的样本合成方法,在已知物体CAD模型的基础上,合成大量训练数据,构造虚拟数据集,采用Mask R-CNN网络实现了堆叠场景的多工件识别与分割。在获取单目标工件数据后,提出了基于点对特征的改进算法,并且针对传统算法实时性差的问题,提出了基于深度学习的密集融合网络方法。本文的具体研究工作如下:（1）针对物体本身存在自遮挡问题,传统点对特征算法未考虑不可见点对的问题,本文提出了一种改进的PPF算法。该算法包含离线训练和在线匹配两个过程。离线训练阶段,考虑物体自遮挡因素,应用球面斐波那契采样得到采用视点,在多视点下由HPR算法进行可见性判断。对满足条件的可见点进行两两组合,计算点对特征,得到描述物体全局信息的模型。在线匹配阶段,利用最远点采样算法得到场景中的参考点。将参考点与局部点云组成点对计算特征,采用霍夫投票进行粗匹配。最后利用ICP算法对位姿结果进行微调。本文通过在UWA数据集和实际采集的点云中进行实验,并在无序抓取实验平台上进行机械臂抓取实验,结果验证了所提方法的有效性。（2）针对PPF算法需要大量特征匹配和霍夫投票,计算量过大,实时性不足的问题,本文提出了一种基于RGB-D数据的密集融合网络。密集融合网络结合了图像和点云两种数据源,利用PSPNet网络和PointNet网络分别从RGB图像和点云中提取深层次特征并进行像素级密集融合得到多尺度特征。在旋转预测模块,利用20面体群采样旋转锚点,对每个锚点进行预测,减小了局部最优问题的影响。在平移预测模块,根据每个像素点预测的位移矢量,应用RANSAC方法预测平移变换,从而得到目标物体的精确位姿。基于物体渲染的样本合成方法为网络提供了大量带标签数据,极大降低了数据标注的成本。本文通过在LINEMOD数据集、合成管件数据集和真实场景中进行实验,结果验证了方法的有效性。