对生产环境中的未知物体进行抓取是仿人机械手执行各种复杂任务的基本能力之一。目前,越来越多的生产和作业对机器人的抓取能力提出了更高的要求,如何对抓取目标进行自动识别定位,如何控制机械手完成平稳和准确的物体抓取等成了机器人控制领域亟待解决的关键问题。本文提出将五指型仿人机械手作为机械臂的末端抓取器,运用深度学习方法来解决抓取目标的识别定位及抓取规划问题,并且结合一双数据手套和一套脑—机接口这两种智能设备来有效地提高机器人抓取的灵活性和适用性及准确性。首先,根据人手的关节结构,本文设计了一双各自拥有21个运动自由度的五指型仿人机械手,运用D-H(Denavit-Hartenberg Matrix)矩阵描述法建立了它们的正向运动学和逆向运动学,实现了一双仿人机械手多种姿势动作的运动控制。运用线性、随机森林两种映射方法在关节运动角度和数据手套之间实现了双手实时运动控制,并训练决策树模型用于手势识别控制。其次,对抓取目标的识别定位问题,本文运用了目标识别神经网络识别方法,训练目标识别深度神经网络Faster R-CNN(Faster Regions with Convolutional Neural Network)和SSD(Single Shot Multibox Detector),对神经网络识别出的目标物体用轮廓识别和四层卷积神经网络确定了最优抓取区域的抓取角度和抓取宽度等参数。此外,为适应实时目标检测需求,本文提出将更轻量级的语义分割深度神经网络ENet(Efficient neural network)运用于抓取目标识别,并提出边缘生成和重心生成两种候选区域生成方法。实验对比以上方法,基于深度学习的抓取判断方法能有效提高目标检测的准确率。此外,为了满足不同的生产作业环境需求,本文提出了基于脑—机接口的五指型仿人机械手控制方法,并且训练了ID3随机森林模型和神经网络指令识别模型识别脑电波信号。最后,本文设计和实现了五指仿人机械手抓取控制仿真系统,系统地整合了仿人机械手运动模型、数据手套控制、脑—机接口、抓取目标识别深度神经网络等模块,对本文提出的所有研究方法进行了仿真验证。在仿真系统中,应用五指型仿人机械手模型配合6自由度机械臂成功地完成了对目标物体的抓取作业。