高度自动化的生产制造是现代工业最重要的目标之一,而其中最关键的挑战之一是让机器人具有智能识别并定位工业零部件的能力。在工业生产背景下,工业机器人需要从随机散乱堆积的工业零部件中将目标工件实例逐个抓取至下一工作位置,以替代人工将工件从料箱中取出的重复性操作。为了实现这一目标,机器人需要快速并准确地估计出目标实例的六自由度（6Do F）位姿,即三个自由度的空间位置信息和由三个旋转角表示的姿态信息。这种自动分拣目标的任务被称为无序抓取（bin-picking）问题。然而在现实的工业场景中,大量相同的工业零部件散乱堆积在一起,并存在严重的互相遮挡,给工业目标的检测与定位造成了巨大的挑战。并且,随着工业产品的外形越来越复杂,当前算法已不能满足复杂目标尤其是体积较小的目标的检测与定位。在无序抓取的研究领域中,针对小尺寸的工业零部件的研究较少。由于工业零件具有外形复杂、体积较小、低纹理表面且容易相互遮挡等检测技术上的难点,本文从实际应用出发,结合点对特征和深度学习来研究工业场景下散乱多目标的检测与定位方法,主要研究工作和创新点如下:（1）由于散乱工件互相遮挡严重且具有大量相似特征的干扰,主流基于RGB图像直接通过回归或分类得到目标6D位姿的方法在上述复杂多变的工业场景中的效果不甚理想并且可行性较低。为了解决这一问题,本文诉诸于场景的三维激光点云,对基于欧氏聚类的点云分割进行研究,并在此基础上提出了一种适用于散乱工业零件的点云分割方法。该算法首先针对工件互相接触紧密的问题,设计一种接触边缘点的检测方法,解决工件互相接触导致的欠分割问题。其次,采用了距离阈值自适应的欧氏聚类,以更准确地处理点云密度不均匀的情况。最后在自建工件实例分割数据集上的实验结果表明,本文算法在具有比其他传统分割算法更高的分割准确率的同时具有较快的分割速度。（2）基于点对特征和霍夫投票提出了改进的工件6D位姿估计方法并且设计了一个工业散乱多目标检测与定位的软件系统。该算法首先引入了基于法线夹角的几何结构感知的点云降采样方法,在保证压缩率的情况下最大程度地保留丰富的几何特征,为实时性和准确性的平衡提供基础;此外,针对工业零件常含有的平面结构影响投票结果的现象,在特征提取时根据点对的法向特征施加约束,避免位姿估计结果陷入局部最优;同时,为了消除传感器的噪声影响,本文设计了一种新的投票方法,增强特征匹配的鲁棒性;然后,增加了基于层级完全连锁的位姿聚类和迭代3D-NDT的位姿优化方法,进一步提高了工业目标检测与定位的速度与准确度。最后在九针串行通信接口DB9零件的自建数据集和公共数据集Line Mod上的对比实验表明,本文提出的算法能够满足工业生产环境下对于散乱工业目标的检测与定位的需求。（3）基于点对特征和霍夫投票的位姿估计方法虽然具有良好的速度性能,但由于散乱工业目标具有大量重复性几何结构,容易使霍夫投票出现偏差,陷入局部最优解。针对这一不足,本文提出了基于深度学习的3D局部几何描述子匹配网络,充分挖掘3D局部几何特征以构建目标与模型的匹配关系,提高位姿估计精度和对遮挡与传感器噪声的鲁棒性。该算法首先采用点对特征作为网络输入以获得完全的旋转不变性并且避免了局部参考系的计算;其次,结合Point Net和Tearing Net设计了一个新的点云自编码器,以处理无序稀疏的点云并且具有排列不变性;最后,引入了增强倒角距离（Chamfer distance,CD）作为自编码器的损失函数,提高了网络学习点云局部特征的辨别力。实验表明,本方法在自建DB9数据集和公共数据集3DMatch上的鲁棒性与准确率均高于现有算法。