随着社会的快速发展,人类对机器人的需求越来越迫切,然而场景交互能力的不足,严重限制了机器人的应用与普及。如当抓取机器人处于未知环境中工作中,面对既没有RGB数据也没有模型数据的未知目标物体时,无法进行准确自主的抓取。机器人自主抓取的关键不仅仅在于对物体类型的判断,更大一部分在于对物体形状（例如形状基元的组成）判断后的良好抓取。本文针对抓取任务的非结构化特性,提出一种基于三维点云数据的机器人自主抓取方法。复杂物体的简化,有利于对物体形状的描述,从而为抓取策略的选取提供思路,提高机器人自主抓取的准确率。本文首先使用3D相机获取目标对象的局部点云数据;其次,将目标物体点云数据进行简化,提出一种基于基本形体的三维点云简化算法,基于特征点和核心点提取的网格分割（MFC）算法将目标物体3D数据点分割为主体以及分支部分,并依据最优拟合算法将各部分简化为球体、椭球体、圆柱体、平行六面体中的一种,从而实现对复杂物体的简化;再依据简化形状对机器人抓取位姿进行约束,提出一种基于简化基本形体的机器人抓取策略,将目标物体分割后的主体部分设置为抓取感兴趣区域,并依据简化后形状特征对抓取位姿进行约束,获取多个抓取候选位姿;最后,建立抓取数据集,利用深度学习的方法对目标物体主体部分进行抓取训练,并提出一种新的抓取描述符,该抓取描述符融合了抓取高度图和物体表面角度图4通道抓取描述来测量抓取的相似性。本文方法最终在Baxter机器人上实现了94%的抓取准确率。在本文基准测试中,与现有的抓取质量分类方法相比,本文方法通过较少的训练数据集获取较高的抓取成功率。实验结果表明,本文方法可以应用于不同形状、不同位姿的未知非规则物体,鲁棒性较强。