随着国家工业实力的飞速发展,机器人抓取技术在工业生产中发挥着不可或缺的作用。目前,工业中的抓取技术是根据设定好的流程再加上传统机械手爪的配合来实现物体或工件的抓取。这种抓取技术只是固定的、重复的对单一零件进行抓取,不具有广泛使用的特性。因此,基于深度学习的抓取技术受到国内外研究者的广泛关注。为了解决工业生产领域中多个不同类别的物体识别与抓取问题,本文对基于深度学习的柔性夹爪抓取技术来展开研究,本论文主要完成的工作内容如下:首先,对Faster R-CNN物体检测模型进行详细的介绍,包括特征提取网络、RPN区域建议网络、Anchors锚框等部分。针对于该网络计算参数量大、模型冗余、检测速度慢的问题,本论文对Faster R-CNN网络模型的主干提取网络和NMS算法进行了改进优化。本论文通过深度相机获取400张被抓物体的图片,并对每一张图片进行增强扩充。利用Label Img标注工具对图片进行标注以此来创建了自己的数据集。基于创建的训练数据集来训练改进的检测模型,最终得到精度较高、速度较快的物体检测模型。其次,对kinect深度相机进行介绍。利用Mtalab对相机进行相机标定和手眼标定,得到像素坐标系与机械臂基坐标之间的映射关系。最后获得机械臂与物体之间的空间坐标转换关系,从而更精准的完成目标物体的定位,使柔性夹爪执行抓取操作。然后,对平台控制系统、末端柔性夹爪、机械臂的机械结构进行介绍,然后利用D-H参数法,建立机械臂的连杆坐标系,对机械臂的正向运动学模型和逆向运动学模型进行求解。最终使得柔性夹爪更加准确的到达目标物体位置,更加快速的完成目标物体的抓取任务。最后,对物体检测实验结果和物体抓取实验结果进行分析研究,实验结果验证了本文研究内容的有效性和适用性。