服务机器人在生活中的应用前景十分广泛,如保姆机器人、送餐机器人等,抓取是不同种类的服务机器人最基本的功能之一,因此研究机器人抓取是十分必要的。同时,与工作环境相对单一的工业机器人相比,服务机器人往往在非结构化的场景下工作,因此设计一款能够自主识别、自主抓取的机器人是十分必要的,而这也是目前机器人领域应用的热点和难点。本课题基于卷积神经网络的机器人抓取展开了研究,提出了一种改进的抓取检测与目标检测相融合的有序物品抓取方法,并搭建了基于UR5机械臂的抓取实验平台进行抓取实验,进一步验证了算法的有效性。首先,针对目前主流的深度学习视觉抓取算法普遍缺少目标检测模块,导致抓取是无序、不可控等问题,本文从卷积神经网络基本原理入手,详细分析YOLO系列不同版本目标检测的优劣,最终选择使用YOLOv5作为本课题的目标检测模块。其次,针对现有的用于目标检测的数据集大都针对大型物品检测,对本课题的生活常见物品抓取参考不大。因此,自制日常物品抓取的数据集并进行标注,并利用YOLOv5中轻量级的YOLOv5s模型,先在大型目标检测数据集上预训练,利用迁移学习的方法将预训练后的模型再日常物品抓取数据集上训练,最终得到了的模型m AP为99.5%,检测速度为66FPS。再次,针对现有级联抓取网络GGCNN模型抓取准确率较低的问题,采用逐步精细化的思想,将GGCNN封装成基本模块,通过多级架构,进一步提高了网络特征提取的能力,加速模型的收敛。同时在公开抓取数据集康奈尔数据集上训练和验证,得到了89%的准确率,比原GGCNN方法提高了13%,并将其结合YOLOv5目标检测,实现了有序抓取。然后,针对红外深度相机在某些点或区域,存在深度不可知的问题,提出了一种新的深度补全算法,结合双边滤波算法,完成了深度图的预处理,为验证抓取检测算法的可行性实验做好了准备。最后,采用了eye-in-hand结构搭建了机械臂夹爪和摄像头的机械臂抓取系统,真实的环境下进行了抓取实验,对于自制抓取数据集中的11种物品分别进行了抓取实验,抓取准确率达95%。