随着工业生产智能化的发展,工业机器人想要通过机器视觉自动识别、定位无序物体、并完成拾取的操作,就必须准确的估计目标对象的六维姿态。因此、三维物体的六维位姿估计成为了目前急需解决的难题之一。对于工业生产中的三维目标来说,材质多为金属或塑料制品,表面纹理稀少、难以提取稳定的特征描述子,位姿变化范围大、图像和位姿搜索空间大、搜索过程需花费大量时间,同时受外部环境影响较大,易出现误检测、定位不准等现象。为了提高工业机器人智能化程度,并且完成拾取无序三维物体的任务,本论文深入研究了机器视觉领域中的目标位姿估计算法。首先,研究总结并评估了目前常见的几类位姿估计算法,从较简单的纯物体检测器到两阶段的6D位姿估计器。综合分析了当前常用的一些性能指标,进行了算法对比,分析了优缺点,有助于针对不同应用场景选择合适的方法;其中,基于深度卷积神经网络的方法是目前国际领先的位姿估计方法,甚至可以在无需事先针对物体进行专门训练的情况下检测定位出物体。在预先训练的物体上实现高达90%的正确率,但由于多种原因依然难以实际应用,同时本文对目前位姿估计算法面临的挑战进行了详细阐述;本文针对位姿估计的问题提出了两种算法,分别是:（1）面向bin-picking应用的基于三维CAD模型的6D位姿估计方法,详细介绍了算法流程,并进行了仿真实验证明了算法的有效性;（2）一种基于特征角点的立方体位姿估计算法,基于树莓派平台,利用Python编写了特征点提取模块和位姿求解模块,实现了机器人抓取立方体的演示实验。本文研究这项先进技术,通过基于三维CAD模型的6D位姿估计算法和基于特征角点的立方体位姿估计算法,实现了三维目标的机器人拾取操作,降低了外部约束规则,提高了自动化生产线的灵活性和智能化水平。