6D位姿估计技术是工业机器人柔性操作中的关键技术,在机器人抓取、装配等视觉系统搭建中有着重要作用。复杂工业场景下弱纹理物体的位姿估计任务具有极大的挑战性,稳定而实时的物体位姿求解是保证机器人操作的关键因素。本文针对工业中常见的堆叠场景以及物体弱纹理问题展开研究,自建了一组高精度工业场景位姿估计数据集,并形成数据采集系统。提出了一种基于碎片模型的编码-解码位姿特征提取网络,实现高精度弱纹理物体识别与碎片模型定位。接着提出一种几何多模型拟合的位姿求解方法,实现多实例物体位姿估计优化,提升精度与实时性。具体研究内容如下:（1）针对现有数据集不符合工业场景需求的问题,探究出一种规范化6D位姿估计数据采集方法,包括合成以及真实数据。合成数据作为训练集,通过Blender真实感渲染生成照片级数据,并能够在较短时间合成大量高精位姿估计数据集。同时还探索出一种基于模型重建的真实数据采集方法,通过二维码定位并重建场景进而生成规范化位姿数据标签作为测试集,并完成数据集采集系统的搭建。（2）针对复杂工业场景中,由于物体弱纹理、对称性以及堆叠产生的自遮挡对位姿特征提取带来的挑战,提出一种物体表面碎片化策略,确定碎片中心并创建物体表面碎片模型,以碎片模型替代物体实例,提高堆叠情况下弱纹理物体位姿特征提取精度,并且能够有效地处理物体对称性。基于此碎片模型,提出一种新的编码-解码位姿特征提取网络,能够精确识别每像素物体碎片存在概率以及碎片三维位置,提取图像中多尺度特征。提出一种新的网络训练策略提升对于位姿信息提取的鲁棒性。最终实验测试得出本文的方法在公共数据集LM-O和T-Less以及自建数据集中具有较高的位姿估计性能,可以有效地解决堆叠场景弱纹理物体特征提取问题。（3）针对工业机器人智能抓取对于精度以及实时性的高要求,以及传统位姿求解方法在多实例中的局限性,提出一种基于几何多模型拟合的位姿优化方法,通过实例提议及空间聚类优化步骤拟合多个实例,在进一步提升位姿求解精度的同时提升算法实时性。最后,利用EPNP算法实现高效位姿求解。最终实验表明,本文的方法能够在有效保证精度的同时还具备较好的实时性,满足复杂工业场景需求。本文在弱纹理物体6D位姿估计的数据采集、复杂工业场景中对于位姿估计方法的精度与实时性三个方面进行探索,有针对性地提出了高精度位姿特征提取网络以及位姿优化算法解决方案,提高了复杂场景位姿估计准确率,且满足实时性需求,在智能机器人拣选方面具有一定的社会贡献。但未来还需要进一步研究泛化能力更强、场景更加丰富的数据采集方案以及更加轻量化的模型。