伴随着科学技术的飞速发展和人力成本的增加,使用机器人代替人工劳动的应用变得愈加广泛。当前大多数机械臂只是机械的完成点到点的操作,只能在环境固定单一和任务固定重复的情况下有效工作。一旦工作环境、目标状态和抓取任务发生了变化,就需要重新配置,缺少灵活性。因此,对于机械臂来说,正确识别和有效抓取位姿未知的目标物体是一项非常具有挑战性的问题。得益于计算机算力的大幅度提高,深度学习技术取得了高速发展。为提高机器人操作的自主性和智能化,研究将深度学习技术与机器人操作结合起来具有很好的学术价值和现实意义。本文针对复杂场景下,对基于RGB图像的机械臂抓取进行了研究。针对逆运动学的多解情况造成所得到的部分解使得机械臂不符合实际应用的问题,本文使用了一种融合关节约束、工作空间约束和碰撞检测的路径规划约束优化方法。该方法解决了机械臂运动过程中与实验平台发生碰撞的问题,同时排除了运动规划轨迹复杂多变,冗余轨迹繁多和运动范围过大等问题。针对抓取过程中目标物体部分被遮挡的问题,本文设计了一种基于多尺度特征融合的深度卷积神经网络提取三维目标的投影特征点,并提出了一种根据不同投影特征点数n使用不同的Pn P算法的方法。本文将Res2Net网络作为基本框架提取多尺度信息,同时加入多级金字塔池化获取不同区域的上下文信息。对于模型预测的三维目标物体投影特征点数目不同的问题,针对第一类4≤n≤5的情况使用P3P算法。针对第二类n≥6的情况,则通过构建最小二乘式子,以P3P算法求得的解作为初值,采用基于Levenberg-Marquardt的迭代法来求解。针对位姿估计中由于精确模型造成的计算复杂和耗时问题,使用了一种特性简单的几何空间体,即包围盒来近似地替代精确的三维目标物体模型的方法。该方法简化了目标物体模型,减小了运算量,具有良好的实时性。同时使用计算机自动生成大量的合成数据,避免了手工制作数据集费时费力的问题。经过验证,使用合成数据训练的网络,也能在真实场景中有效的工作。最后,本文搭建了一个基于ROS的机械臂抓取平台。将训练好的模型部署到该平台上进行抓取实验,验证位姿估计算法实际应用效果。实验表明,本文提出的仅使用RGB图像信息的位姿估计方法能够估计出目标物体的位姿,并在实际场景中对这些物体进行抓取。