机械臂的自主抓取问题一直是制约工业机器人以及服务机器人发展的重要瓶颈，而抓取目标的识别与定位是实现机械臂自主抓取的必要前提。目前，工业上的大多数机器人还处于示教阶段，无法对复杂环境做出有效判断，尤其在物体密集堆叠的情况下难以实现有效的物体识别。针对上述问题，本文以深度相机作为主要传感器，针对机械臂的抓取任务中涉及到的物体识别与位姿估计问题进行了研究，构建了一套完整的视觉伺服系统。本文的主要工作包括以下几个方面：　　(1) 设计了一套基于标识图与n点透视(Perspective-n-Point，PnP)算法的相机外参自动标定系统，同时实现了机械臂坐标的标定。　　(2) 实现了两种物体识别的方法，一种是基于三维点云进行识别，另一种是基于卷积神经网络(Convolutional Neural Network，CNN)的语义分割，其中后者克服了前者的一些弱点，实现了对前者的改进。　　(3) 基于点云的识别主要通过对点云进行滤波、分割、特征提取以及特征预测实现对物体点云的识别，其中特征预测的模型通过支持向量机(Support Vector Machine，SVM)训练得到。　　(4) 基于卷积神经网络的语义分割在一定程度上弥补了原有点云识别方式的不足，使物体识别能够更加精确鲁棒，同时使分割与识别合为一体，简化了原有方法的处理步骤。对原有的分割网络SegNet模型进行了改进，提高了其像素分割的精确度，并在公开数据集上进行了测试，平均交并比提高了六个百分点，平均像素正确率提高了五个百分点。　　(5) 通过迭代最近点(Iterative Closet Point，ICP)算法实现了识别物体的六自由度位姿估计，并对估计位姿进行了精度检测，平均误差为8.89mm。　　(6) 将以上算法封装成了完整的视觉伺服系统，实现了机械臂的全自动分拣，证实了整套方法的有效性。　　本文所设计的视觉伺服系统通过点云处理以及语义分割实现了对抓取物体的识别与六自由度位姿估计，具有较高的识别准确率与位姿估计精度，解决了物体密集摆放时分割困难的问题，为机械臂的抓取奠定了良好的基础，在一定程度上提高了机器人的智能性。