目前,工业机器人以其高度自动化、柔性化的特性广泛应用在汽车制造、食品加工、电子、医药等行业。相对于传统人工,机器人稳定性好,工作效率高,而相对于传统自动化产线中的非标设备,机器人成本低,通用性强,柔性好。然而必须认识到,工业机器人当前的技术发展水平并不能满足国家与企业智能制造转型的要求。究其根源,机器人目前最大的瓶颈不在于其精度、速度或稳定性达不到要求,而在于机器人与物理世界的交互能力不足,即机器人感知能力、分析能力与决策能力不足以处理复杂的非结构化的真实应用场景。有鉴于此,本课题以非结构化环境的机器人抓取问题为研究内容,结合近年来发展迅速的机器学习思想,利用卷积神经网络算法架构搭建了机器人抓取规划解决方案,试图改善机器人对物体的抓取能力,提高机器人的易用性。通过对相关内容进行调研,本文将抓取规划问题划分为抓取质量评估与候选抓取姿态生成两个阶段。抓取质量评估通过卷积神经网络对候选抓取姿态集合与输入深度图像进行分析,生成抓取伪置信度排序,从而筛选出成功率最高的抓取姿态。而候选抓取集生成算法通过分析输入图像特征或抓取质量评估结果对抓取全集空间进行采样,生成高质量的小规模样本集从而减小抓取质量评估次数,提高整个算法的运行效率。由于用于训练原始模型的大规模通用抓取训练集采集环境与本课题实际的抓取情景间存在较大差异,可能导致网络模型处理目的抓取情景时达不到预期效果,本课题同时对神经网络的迁移学习进行研究,试图通过迁移学习的思想解决此问题。通过搭建自动化训练样本采集算法,能够使通用训练集训练的原始网络模型对某一特定的应用场景进行迁移学习,从而可以提高网络对此抓取情景的预测准确度。对于抓取规划算法的验证,本课题搭建了基于Gazebo环境的仿真实验平台,从而通过仿真实验的方法同时对已知物体与未知物体进行了抓取规划算法的实验验证。实验结果表明本文所述算法有效且高效,机器人抓取过程稳定灵巧。