在复杂的视觉识别环境中,对目标物体进行抓取操作是机器人领域中一个基本挑战。特别是在生活化场景下机器人抓取物体时,机器人对任意姿态放置的物体难以快速准确地识别目标并成功地抓取。因此,迫切需要提高机器人视觉目标识别和目标位姿估计能力,从而可使机器人准确地操作目标物体。传统的目标识别和位姿估计算法都依赖于人为设计特征算子提取相关特征信息,而且在复杂环境下难以针对所有情景设计出精确的特征算子。同时,基于模板匹配的传统位姿估计算法仅二维图像无法估计出物体位姿。因此,针对复杂场景下的目标识别和基于二维图像的位姿估计的研究对提高机器人的自主能力十分重要。与传统方法不同,以深度卷积神经网络为代表的数据驱动方法,通过自主学习相关特征映射,对目标任务的相关特征具有强大的表征能力。同时,卷积神经网络的同变性提高了其在复杂环境下识别目标的准确性。因此,本文基于深度卷积神经网络对目标物体的识别及位姿估计问题展开了一系列的研究:1、基于空洞卷积神经网络的目标分割研究。针对复杂场景中小目标物体的识别问题,本文利用空洞卷积在特征图中保留较为丰富的空间结构信息,建立了基于空洞卷积神经网络的目标分割网络模型。基于labelme标记工具制作了目标分割图像数据集,用于目标分割网络模型的训练,在训练中通过微调方式使模型的损失函数快速收敛,在验证集上目标分割网络的像素精度最终达到99.38%。2、基于深度残差网络的目标姿态估计研究。针对图像中目标物体的位姿估计问题,本文利用深度残差网络提取图像中目标物体更高级的抽象特征,建立了基于深度残差网络的目标姿态估计模型。利用Blender三维渲染软件对物体的模型进行随机姿态渲染,快速生成大量合成位姿数据集。基于ResNet-18的目标位姿估计网络在验证集的位置误差最终达到1.21cm,方向误差最终为18.54°。3、端到端实时目标位姿估计系统应用。针对真实RGB图像中目标物体位姿估计问题,本文通过结合目标分割网络和目标位姿估计网络,建立了完整的端到端位姿估计系统。同时,基于ROS操作系统实现了在复杂环境中对目标物体进行实时地识别及其位姿估计,并设计基于机器人平台的位姿验证实验,端到端实时目标位姿估计系统在实际环境中的最小位置误差为1.85cm,最小方向误差为3.04°。