19世纪60年代至今,控制技术以及计算机软硬件、通信技术的发展给工业现场生产方式、人们的生活方式带来了巨大的变革。机械臂作为模拟人类操作模式的智能工具也在工业现场和家庭环境中发挥着重要的作用。抓取任务是机械臂操作的常见任务,准确鲁棒的抓取能力是机械臂智能化的保证。机械臂抓取操作的准确性取决于机械设计的精度以及控制算法的优良程度,而鲁棒性则与传感器数据处理方式息息相关。图像数据包含的信息最为全面,但同时也最难分析。本文通过对于包含待抓取物体的图像的分析,得到物体合适的抓取位置,指导机械臂系统完成抓取任务。本文的第一个工作是利用卷积神经网络与传统视觉方法相结合的方式来检测物体的抓取位置。以端到端的方式,对图像整体进行分析。首先利用卷积神经网络预测物体的抓取点的位置,然后利用本文提出的主方向提取算法提取待抓取物体的主方向,用以判断物体的抓取方向和夹持器张开的距离,完成抓取位置的检测。本文的第二个工作是利用卷积神经网络完成对于待抓取物体的目标检测。目标检测的主要任务是在图像中找到待抓取的物体,并用一个长宽和图像坐标系平行的矩形框框住物体用以描述物体的位置并给出分类。根据生活中常见的抓取物体类别将数据集分为20类,参照Pascal VOC数据集标注格式对抓取数据集进行标注,得到抓取数据集对应的目标检测标注,训练用于待抓取物体目标检测的神经网络。目标检测过程使得算法可以对含有多个抓取目标的图片进行处理,并且缩小图像分析的范围,给出粗略的语义标签。本文的第三个工作给出了一个基于目标检测的抓取位置检测算法。相比与第一个工作的端到端的检测方法,区域分析的方式可以得到更好的检测结果。但是传统的基于区域分析的方法由于搜索范围大、计算速度缓慢导致算法实时性很差。本章的主要工作是利用目标检测、金字塔卷积方法以及本文提出的抓取位置推荐算法来减少筛选范围和抓取位置的筛选数量,减少算法的计算用时,使得基于区域分析的检测方法在保有高准确率的同时满足机器人系统的实时性要求。本文在机械臂抓取控制算法方向做了研究,给出了适应于常见物体的抓取位置检测方法,对于机械臂抓取算法鲁棒性的提升做出了贡献。