随着当前社会工业智能化的发展,对传统的工业机器人产生了新的挑战,抓取是机器人的一项主要能力,而且机器人的抓取问题一直是国内外研究的一个热门。随着近年来深度学习技术的崛起,因为可以提取较好的特征而被应用于各个领域,国内外学者更是将其应用到了机器人的自主抓取任务中,机器视觉在近年来发展十分迅速,把机器视觉、深度学习和机器人相结合成为今后工业机器人发展的主流趋势。为此,本论文设计了基于卷积神经网络的目标检测模型,搭建了机器人自主抓取系统。首先,研究了卷积神经网络的主要组成部分。研究了基于滑动窗口的目标检测原理以及实现全卷积网络的办法。研究了 Faster R-CNN目标检测模型和YOLO目标检测模型的检测原理。对两种目标检测模型进行优化,对Faster R-CNN目标检测模型进行优化,对网络结构,锚的比例尺寸,目标分类和位置回归结构进行调整。对YOLO-v2目标检测模型进行优化,对Darknet-19特征提取网络结构,NMS算法预测框重叠置信度以及损失函数进行调整。然后,通过Kinect-v2相机对抓取物体进行图像采集,并用人工的方式扩充数据集。将得到的数据按5:1的比例随机分为训练集和测试集,将训练集中的图像利用LabelImg工具进行目标标注。对两种改进的目标检测模型进行训练和测试。分析了两种模型的训练损失,以及两种模型改进前后在测试集上的检测准确率和速度。最后,使用埃夫特机器人和Kinect-v2相机搭建实验平台。研究了物体的三维定位以及如何获得物体的抓取角度。对Kinect-v2相机利用张正友法进行标定,利用多个空间点的坐标对Kinect-v2相机和机器人进行手眼标定,分别得到相机的内参和外参。经过以上的研究和准备,进行了实验验证,使用三种颜色方块作为目标抓取物体,分别用两种检测算法进行多组实验。实验结果证明目标检测网络学习到了有效的图像特征,抓取系统可以基本完成自主抓取任务。