近年来,深度学习等人工智能技术迎来蓬勃发展的浪潮,在图像分类、语音识别、自然语言处理等领域取得了丰硕的成果。然而在机械制造业等领域中扮演重要角色的机器人,在抓取、搬运、码垛等任务中仍然需要人工示教或基于相机标定的精确编程,且操作对象往往限于单一物体,远远满足不了实际需求。因此,运用深度学习相关算法提升机器人应用的智能化水平势在必行。本文针对机器人抓取对不同形状物体缺乏适应性的问题,提出并验证一系列关于机器人手眼协调抓取技术的改进算法。在机器人手眼协调抓取系统设计研究的基础上,针对作为系统核心模块的抓取成功率预测器模型的预测过程可解释性缺失问题,提出使用基于视觉注意力机制的循环神经网络模型,利用其显式表示图像特征位置的特性,采用将图像特征在二维坐标系下的位置和机器人在三维基坐标系下的运动指令联合输入的方法,帮助模型学习坐标系间的映射关系,赋予模型可解释性的同时,提升模型预测准确性,降低模型的计算复杂度。针对系统采集的训练数据中正负样本数量不均衡影响模型训练效果的问题,分析Sigmoid分类器搭配的交叉熵损失函数中模型损失值分布的特点,针对性地提出使用线性支持向量机作为抓取成功率预测模型的分类器,以输出的函数间隔表示抓取成功率的方案,推导损失函数和更新公式,并在实验中验证算法对模型训练结果的提升。针对在连续的作业空间内,使得抓取成功率预测模型输出值最大的机器人运动指令难以求解问题,使用基于采样的交叉熵优化算法进行最优指令的搜索,给出在具体问题下,优化过程的公式推导和算法实施流程。针对抓取成功率预测模型输出支持向量机的函数间隔的情况,设计以当前位置和执行最优运动指令后的抓取成功率差值为运动决策依据的视觉伺服机制,实现机器人系统稳定、高效的手眼协调抓取过程。基于以上研究工作,开发包括硬件平台和软件系统在内的机器人手眼协调抓取原型系统,完成数据采集、模型训练、评估和抓取实验,验证了算法的有效性。