智能机器人的基础研究和产业化在近年来发展迅速,无论是在智能家居、工业、农业采摘,还是在医疗康复等场景下,机器人在目标识别与定位方面的智能化认知水平远远落后于人类,该问题阻碍着机器人技术的进一步发展,而深度学习在目标识别方面具备强大的特征描述能力。由此可见,无论是从社会发展趋势还是计算机视觉的技术潮流来看,开展基于深度学习的机器人抓取理论与系统研究都具有重大意义。本文基于当前先进的深度学习算法进行实验探究,包括YOLO、Faster R-CNN以及SSD。SSD算法创造性的使用多尺度边界框提升检测性能,实验证明其在实时性和精准度方面的性能更加显著。尽管SSD算法的整体识别效果不错,但较大的卷积核势必增加参数,导致时间复杂度相对较高,而且无法提取图像中更加细腻的特征。因此,本文着力于优化SSD算法来提升图像识别的速度和精度,深入研究深度学习的调参策略,建立丰富的水果数据库进行训练,实验结果表明改进后的快速SSD算法性能更加优越。为探讨二维图像与三维空间之间的映射关系,研究了Kinect传感器的三维定位理论,并进行机器人手臂的运动学分析与模型仿真。值得一提的是,本文融合了深度学习与Kinect三维定位理论来搭建完整的机器人抓取系统,有效地学习了人类在图像识别与目标定位方面的能力,具备快速识别能力和场景适应性。