利用深度学习实现视觉图像的实时检测和姿态解算是引导机器人智能抓取的重要手段。针对机器人抓取检测中对准确性、实时性和稳定性的需求问题，构建了一种基于稳定轻量级网络的新型机器人抓取检测方法。将实例归一化层用于网络的卷积层和残差块中，每次只考虑单张图片的一个通道，不仅减少了运算量，还能有效利用单张图片的每个像素信息，在提升每个图像实例之间检测稳定性的同时加快模型收敛的速度；将特征金字塔网络分层结构融入上采样，并结合多维度语义信息增加对多尺度物体检测的准确度和稳定性。所构建的轻量级模型在交并比（IOU）为0.25时准确度为94.4%，画面传输速度为40.8 frame/s，并且在IOU低于0.5时准确度仍保持在80%以上。实验证明了在轻量级网络中加入实例归一化和特征金字塔的有效性。

为解决工厂流水线上不同种类动态物品的快速精准抓取问题，提出一种两阶段动态多物品定位抓取方法。第1阶段采用所提多尺度上下文感知的单分支融合语义分割网络获取目标物品的掩码区域：首先特征提取网络采用单分支结构，在保证提取丰富的空间信息和高层语义信息的同时，减小网络参数量；随后特征融合网络通过双边引导特征融合模块增强空间信息和语义信息的表达能力；最后设计特征增强网络，通过特征辅助收敛模块嵌入浅层和深层网络中，加快网络收敛速度。第2阶段采用基于轮廓点检测的快速位姿估计策略在掩码区域预测最佳抓取点位姿。在自建数据集上的测试及流水线平台抓取实验结果表明，所提方法能实时检测和预测物品抓取点位姿，精准完成物品抓取，其分割精度、预测时间和抓取成功率均优于对比方法。

提出了一种基于微振镜结构光的三维重建方法。使用微振镜结构光快速获取图像数据,基于多频外差的方法对物体进行三维重建,使用基于点对特征三维特征匹配的方式对获取的三维数据与基准模型进行匹配和定位操作,获取了任意放置的物体在机器人坐标系中的三维坐标和法线信息。实验结果表明,基于微振镜结构光的方式可以获得0.1 mm左右的重建精度,处理时间约为0.4 s,可以满足大多数工业机器人物体定位抓取的要求。