机械臂的目标分类抓取问题可以分为抓取检测和抓取执行两个部分。抓取检测部分是从相机的图像信息中识别出待抓取物体的类别并检测出机械臂末端的抓取位姿配置;机械臂抓取执行部分则是规划机械臂的轨迹并控制机械臂运动到目标位姿,从而实现对目标的抓取,并将其放置到确定位置。首先,本文搭建了机械臂分类抓取硬件系统,并通过手眼标定方法得到深度相机坐标系和机械臂基座坐标系的坐标转换关系。本文基于该硬件系统,提出并实现了基于深度学习的分类抓取检测方法和UR3机械臂的避障规划算法。在分类抓取检测部分,本文结合了基于深度学习的目标检测算法、椭圆拟合算法和点云平面拟合算法,提出了一种基于深度学习的分类抓取检测方法。该方法可以准确检测到目标物体的类别和抓取配置,得到垂直于目标物体表面方向进行抓取的机械臂末端姿态,是机械臂完成实际抓取任务的基础。该分类抓取检测方法在本文设计的抓取检测和实物抓取实验中具有一定的成功率。由于加入了点云平面拟合的结果,该方法可以从垂直于抓取物体的表面方向进行抓取,与垂直于工作台平面方向的抓取方法相比,对于以一定角度倾斜放置的抓取目标,本文方法的实际抓取成功率更高。在机械臂抓取执行部分,为了避免机械臂在运动过程中与机械臂工作空间中的物体发生碰撞导致抓取任务的失败,本文提出了一种UR3机械臂的避障规划方法,由于每次抓取任务中的障碍物的类别和位置均是随机变化的,因此本文通过深度相机的点云信息对工作空间的非结构化环境进行实时的感知生成空间概率地图,将环境地图映射到机械臂工作空间中的障碍物环境模型,在此基础上提出并实现了UR3机械臂避障规划方法。实验结果表明:对于静态的抓取环境可以准确的避开抓取场景中的障碍物并规划出到达目标位置的运动轨迹,完成抓取任务。对于动态变化的场景,当环境改变时机械臂可以进行重规划得到新的避障轨迹。