在社会经济快速发展的背景下,因人力生产方式存在效率低下、持续时间长、危险度高、犯错率高、易受环境影响等缺陷,智能机器人在制造业、机械业等各个行业被广泛应用。机械臂抓取是机器人执行复杂任务时移动运输目标物体的基础操作,而抓取检测是机械臂智能抓取系统的核心问题。为了提高机器人的识别性能与动作精度,增强机械手与周围环境的交互能力,本文针对机械臂面向桌面操作的2D平面抓取区域检测问题进行深入研究,利用计算机视觉技术,提出了具有较高准确率的抓取检测方法,研究工作重点主要包括:（1）对二维平面目标物体进行检测时,为了减少目标与背景或者无关物体的影响、缩小了图片中的物体抓取位置的分析范围及方便有序抓取时判定目标物体类别信息,提出了基于YOLOv3的目标检测模型。本文在YOLOv3基础结构上改进损失函数,优化anchors box尺寸大小,使用数据增强方法对数据集进行扩充后进行训练。通过与未优化的YOLOv3模型对比,获得了更好的检测精度和检测速度,并将此改进后的检测模型作为抓取位姿检测前的识别模型。（2）对二维平面目标的抓取位姿进行检测时,为了提高对抓取角度的精确估计,提出了一种基于环形平滑标签（Circular Smooth Label,CSL）的抓取检测方法。首先,改进网络模型,加入角度处理模块,其次分析了角度损失函数设计时基于回归和基于分类的One-Hot编码方法产生的边界不连续问题,以及为了提高模型对相邻角度的误差容忍度,引入了CSL方法改进损失函数。最后在两个抓取数据集上进行了训练。测试的实验结果表明,该方法对比其他抓取检测算法,进一步提高了检测精度。（3）使用UR5机械臂及RGB-D相机搭建了“眼在手外”的机械臂自主物体抓取系统,验证了本文提出的检测方法应用到机械臂自动抓取平台上的性能。首先完成深度相机标定和机械臂手眼系统的标定实验,其次在平台上开展了一系列对日常用品的抓取实验,系统的抓取成功率达到83%,表明本文提出的检测算法应用到现实场景中对未知物体的抓取具有可行性。