6D位姿估计在智能机器人,无人驾驶以及增强现实等多种应用场景中有重要的研究意义。6D位姿估计是指获取待测物体在相机坐标系下的三维笛卡尔坐标以及三维旋转向量信息。在基于RGB-D数据的方法中6D位姿估计已经取得了很大的进步,然而这种方法因为计算量过大以及RGB-D的传感器的限制,只能在限定的环境中部署。针对表面缺少足够纹理信息的弱纹理物体,在基于目前单目RGB的方法和未有待测物体的真实样本标签的情况下进行6D位姿估计仍是非常具有挑战性的。本文主要研究工作如下:针对无真实样本问题,本文在弱纹理物体的合成样本生成方面指出了目前基于经纬度网格的采样方式存在的缺陷,提出把用于测量球面上不规则图形面积的斐波那契网格的采样方式作为一种新的合成样本采样方式。本文从理论说明了基于经纬度网格的采样方式与基于斐波那契网格两种采样方式的区别。在分别采样1000样本和10000样本的对比实验中,经纬度网格采样方式平均ADD指标为23.18%以及54.768%;斐波那契网格采样方式平均ADD指标为29.48%以及55.35%。证明了基于斐波那契网格的采样方式密铺采样空间效果更好而且所需的采样样本更少。为了解决无真实样本情况下的弱纹理物体6D位姿估计问题,本文从域自适应角度出发,通过自编码器恢复前景信息,并利用辅助视点提高自编码器的精度。在此之上,理论分析得出旋转(R)和平移(t)具有明显不同的属性,需要分别解决旋转和平移。针对这个问题,本文提出解耦式6D位姿估计网络算法AEDPNet,分别求解旋转与平移两个参数。同时通过在LINEMOD数据集上列出实验结果对算法进行分析与对比,2D projection指标达到了60.39%,ADD指标达到了43.6%,在仅基于合成样本数据的算法中排名第二。在已获得初始位姿的情况下,为了进一步优化6D位姿精度,我们在现有的光流深度神经网络的结构基础之上,提出6DPose-POFNet网络架构,将光流信息作为特权信息参与网络模型训练,用于引导弱纹理物体的6D位姿优化的方向。在测试阶段,不需要特权信息作为输出以此减少了网络的复杂性。通过实验证明,在LINEMOD数据集上2D projection指标和ADD指标分别达到了71%和66%,相对未优化之前分别提升了10.61%和22.40%。