基于视觉的目标物体位姿识别具有广泛的应用场景,例如利用机械臂完成目标工件的抓取,分拣与姿态调整等等。当前构建一套成熟的物体位姿识别系统协助机械臂抓取还存在许多挑战。本论文从工业实际应用出发,利用传感器获取初始的彩色图像与深度图像数据,结合目标物体模型参数等作为先验知识,完成目标物体的位姿识别。针对应用中需要处理的物体存在的弱纹理,复杂形状等特性,提出了一种利用物体轮廓特征和消费者级RGBD传感器的位姿识别方案。在识别物体位姿时,本论文尝试将直接估计目标物体的位姿的一阶段处理过程,转换为先分类确定基础类型,再根据基础类型获取初始位姿状态并优化的两阶段处理过程。算法预先根据物体在不同位姿下可视面表现划分出类别,引入类别与对应位姿之间的联系作为先验,可实现根据类别获取对应的初始位姿的效果。利用先验将回归计算问题转换为分类问题,降低了问题计算难度。在实际应用时,成功获取目标物体种类以及对应的剪影轮廓数据后,模型识别输入目标物体当前状态所属类别,获取先验中对应的位姿数据作为初始位姿,并进行迭代优化改进优化识别结果。分类可利用模板匹配的最相似模板搜寻策略实现,也可通过基于卷积神经网络分类模型实现。基于模板匹配的最相似模板搜寻策略利用自定义的模板数据,使用对应的模板相似度评价方案极大化同类模板相似度的同时,增强对异类模板数据的筛选能力。利用卷积神经网络的分类模型则是从初始数据中提取特征,利用多层感知机网络实现分类。分类模型的训练使用渲染的图像数据,为减弱与实际图像之间的差异,渲染的图像数据经过处理保留目标物体的二值轮廓剪影数据。此外,根据成像原理,物体的位置会对成像中物体的可视面产生影响,导致分类结果错误。针对这种情况,也提出了利用物体的平移参数对分类获取的初始位姿的补偿方案。为测试提出的位姿估计方案在实际任务上的表现,本论文选用了几种具有较好识别效果的常用位姿估计算法进行实验对比。在测试基于模板匹配的分类方案时,选用了工业界内使用的三种零件,并限定了其放置的姿态种类个数,与其他方法对比具有较好的工作效果。在测试基于卷积神经网络的分类方案时,没有限定初始位姿种类而是任意放置目标物体。实验对象除了三种常用的工业零件,也包括若干常见的位姿识别数据库中的物体。与其他常见的利用了纹理信息的位姿识别方案相比,尽管该分类算法舍弃了渲染图像的纹理特性,在其分类基础上计算的位姿数据仍具有更小的误差与更好的识别准确率。