抓取检测作为机器人智能化的研究重点,目的是让机器人能够像人类一样的对外部环境做出判断,抓取各种各样的物体。但传统的抓取检测方法步骤繁琐,且难以实现对未知物体的智能抓取。而现阶段较多采用单一的抓取方式,在面对形状差异性较大的待抓取对象时抓取效果不尽人意。因此,建立一个包含多种抓取方式的机器人抓取检测模型,对于实现形状差异性较大的多对象未知物体的有效抓取,具有十分重要的意义。针对以上问题,提出基于深度学习的双机械手抓取检测方法。研究包括两种抓取方式的双机械手抓取检测问题,解决因物体形状差异性较大而导致的单一抓取方式普适性较差的问题。提出基于卷积神经网络的抓取质量检测模型,得到抓取效率最大化的双机械手抓取检测模型。实现对多对象未知物体的机器人抓取检测,提高机器人抓取的可靠性和效率。主要研究工作如下:（1）基于抓取分析模型合成数据集。使用域随机化的方法构建两种抓取方式的抓取分析模型,结合从3Dnet和Kit获取的三维网络模型,构建由深度图像、抓取和奖励标签构成的数据集。使用该数据集训练抓取检测模型,使其对感知、控制和物理属性具有一定的鲁棒性。（2）基于深度学习的双机械手抓取检测模型。将马尔可夫决策过程作为理论框架,用卷积神经网络对它进行参数化表示。以抓取质量为度量标准,首先两种抓取方式各自的抓取检测模型优化得到最佳抓取位姿,再对比抓取质量大小,确定双机械手抓取检测模型最终的抓取方式和抓取位姿。（3）基于卷积神经网络的抓取质量检测模型。分别基于交叉熵卷积神经网络和全卷积层神经网络构成抓取质量检测模型,用一组样本实施抓取检测测试,得到两种抓取方式对应效率更高的抓取检测模型,构成双机械手抓取检测模型。在Dobot机械手上进行抓取实验。实验结果表明:基于本文的双机械手抓取检测方法取得了98.0%成功率和90.0%任务完成率,验证了基于深度学习的双机械手抓取检测方法的有效性。