面向堆叠工件的位姿估计是工业自动化生产中极其重要的一项任务,其对后续的工件分拣、搬运、装配等操作起着至关重要的作用。然而,由于工业环境中的噪声问题以及工件密集堆叠的特性,目前的许多位姿估计方法都难以适用于这种场景。本文针对这种场景从传统算法与基于神经网络的算法两方面入手,分析这些算法所存在的问题,提出相应的改进策略并通过对比实验进行验证。本文主要成果如下:（1）在堆叠工件场景下对PPF算法提出了阈值筛选的改进策略,该阈值根据模板物体的大小确定,可以快速有效地去除无效的点对特征,减少了特征计算量的同时也去除了部分错误的特征,改进后的算法解决了 PPF算法在大量堆叠场景下存在的计算效率与结果准确率难以取舍的问题。实验结果表明,本文算法在大量堆叠工件场景下的计算时间为5.8s,比PPF算法加快了 26.1s,算法识别准确率为0.92,比PPF算法提高了 0.21。（2）提出了一种结合噪声去除与位姿估计的网络,能够适用于工业中的未知噪声环境下的物体位姿估计问题。由于噪声问题与位姿估计问题中需要考虑的点云特征问题有所不同,该网络以采用投票聚类思想的PPRNet为基准,引入了噪声去除模块,通过计算噪声偏移修正原始噪声点云,用不同的点云特征提取网络分别解决噪声问题与位姿估计问题。改进后的算法拥有更高的准确率与更强的鲁棒性,能够适用于更多未知噪声的场景。实验结果表明,该方法在无噪声环境下与PPRNet拥有相近的平均精度,在不同噪声环境、不同工件中与PPRNet相比,平均精度最多可提高0.242。（3）为了验证本文方法所得到的物体位姿是否适用于抓取任务,在CoppeliaSim平台中搭建相应的抓取场景进行实验验证。对于本文方法得到的多个物体的位姿,首先根据抓取标注的原理对模板物体实现抓取位姿标注,然后根据堆叠工件的特点在多个目标中选择优先抓取的目标,最后通过抓取位姿选择原理得到这个优先目标的抓取位姿。实验结果证明,本文方法所得到的物体位姿基本满足抓取需求。