智能化机器人作为全新的机器人形式,有望代替人类在未知环境中执行耗时、高强度和危险任务。搭载末端夹持器机械臂抓取技术研究面对结构化环境、单一已知目标的抓取已取得重大进展和应用。然而目前很多工作场景中环境未知、工作目标形态各异,且易受到环境光照变化、物体遮挡等影响,要求机器人抓取系统拥有较高的自主性和鲁棒性。本文利用深度学习技术强大的知识迁移和非线性拟合能力,对卷积神经网络在夹持器抓取位置和姿态检测上的应用进行探索。本论文深入研究机械臂抓取系统流程及抓取表示方法,基于卷积神经网络设计了两种机械臂抓取位姿自主检测方法,完成了面对未知环境、陌生目标的机械臂自主抓取流程,主要研究内容包括:首先,设计了机器人抓取场景和抓取流程,讨论了机械臂末端夹持器在三维场景中对物体的抓取位置和姿态在二维图像上的表示;其次,采用卷积神经网络完成对夹持器抓取位姿的端到端检测。设计了一个卷积网络模型,得到合适的物体抓取中心位置。随后基于抓取中心位置,采用启发式搜索方法得到抓取角度和夹持器张开宽度。在康奈尔数据集上进行了训练测试,得到了87.5%的抓取检测准确率。再次,针对以整幅图像作为输入的端到端方法,背景信息以及无关物体信息对抓取检测会造成干扰的情况,训练了一个可抓取物体目标检测模型。目标检测过程给出了深度相机场景中待抓取物体的大概位置,既帮助减少场景中背景和无关物体对抓取检测的影响,又缩小了抓取分析的图片范围。并且目标检测给出了场景中各个可抓取物体的分类标签,有助于进行复杂有序抓取任务的规划;最后,利用上一环节目标检测的输出特征设计了一种两阶段快速抓取检测方法。考虑了抓取检测准确性和检测速度的权衡,结合目标检测模型输出和区域分析方法的特点,提出了一种两级抓取检测卷积神经网络。在康奈尔数据集上进行了训练测试,得到了92.8%的检测准确率和1.1169s的检测速度。在取得较高抓取成功率的同时兼顾了机器人抓取系统要求的实时性。