工业机器人在自动化领域具有重要的地位,特别是在信息技术飞速发展的今天,工业机器人智能化技术一直受到国内外高新技术企业、高等院校和科研单位的重点关注。视觉识别系统是工业机器人实现抓取智能化的关键和核心技术。目前二维视觉系统已经在工业上得到了成熟稳定的应用,但三维视觉系统在精度和计算速度的控制上要求更加高,尽管目前在国内外有了一些成功的应用,但远远不能满足当前生产自动化的需求。本课题面向散乱堆放零件抓取系统,设计了三维视觉识别系统,并搭建了软件平台,进行了实验验证。课题基于深度传感器Real Sense SR300给出了面向散乱堆放零件深度图像的获取方法,并重建零件三维信息,即获取其点云数据。结合Real Sense成像原理,给出了基于卡尔曼预测矫正方法和基于时序上的统计方法的滤波去噪算法,解决了深度图像数据跳变、干扰等问题。针对低廉的深度摄像机,本文给出了一种有效的适用于散乱堆放零件点云分割的算法。基于统计查询点K邻近平均距离信息的方法降低不同零件之间的连接特性。文中利用八叉树对零件点云进行体素化处理,并利用改进的K-means算法将点云对象分割成超体素单元。通过依据相邻超体素单元的几何特性和凹凸连接关系,对超体素进行区域生长,完成超体素的聚类,即实现点云分割。本文利用全局特征和局部特征,给出了结合特征直方图匹配和局部贝叶斯方法的识别算法。同时,对点云配准的原理和方法进行了研究,给出了先粗后细的点云刚性变化矩阵参数估计的方法。利用快速点特征直方图(FPFH)匹配筛选点云匹配点对,并基于采样一致性原理的方法对变换矩阵参数进行粗估计。最后通过迭代最邻近点算法对矩阵参数进行优化,得到目标点云到模型点云之间的变换关系,从而推导出目标点云的位姿。基于Linux系统和点云库(PCL)、Open CV等开源平台开发了应用软件系统,通过对多种测试用例进行实验验证。算法在面向散乱堆放零件的识别中获得了比较好的效果,在机器人抓取系统中有一定的适用性。