随着我国老龄化问题的日益严峻,社会对家用服务机器人的需求愈加迫切。然而目前机器人面向非结构化环境的视觉抓取技术尚未成熟,限制了服务机器人的普及,因此研究机器人如何在复杂场景下实现自主抓取成为智能机器人核心技术之一。本文主要围绕生活中常见的堆叠物体场景,结合深度学习理论与技术,重点研究与实现机器人抓取顺序的识别与抓取区域的检测。本文主要研究工作如下:(1)针对目前操作关系推理算法准确率较低的问题,提出一种基于VLMRN神经网络模型的操作关系推理算法。该算法首先利用单阶多层物体检测器SSD获取物体图像位置信息;随后,改进仅采用视觉特征作为推理线索的情况,提取物体对的位置特征作为视觉特征的补充;最后,在VMRD数据集上进行实验验证,结果表明该算法有效提高识别物体对操作关系的精确率,增强了模型推理能力。(2)针对目前机器人目标抓取区域检测算法无法兼顾检测准确率与实时性的问题,提出一种基于SE-Retina Grasp神经网络模型的机器人目标抓取区域实时检测算法。该算法首先以一阶目标检测模型Retina Net为基础提取抓取框位置及抓取角度;其次,充分融合高低层的特征信息,以加强小抓取框的检测性能;最后,在Cornell数据集上进行实验验证,结果表明该算法在取得更高检测准确率的同时,提高了抓取检测的效率,达到实时检测的要求。(3)结合以上两种算法,实现了一种面向堆叠物体场景的抓取方法。该方法首先借助操作关系推理算法的结果生成操作关系树,利用深度后序遍历算法得到当前场景的抓取顺序;其次,截取对应物品图像块作为抓取区域检测算法的输入,获取被抓物体的抓取区域;随后,机器人根据经过坐标转换后的图像抓取位置执行抓取;最后,在仿真环境上进行实验验证,结果表明该方法可实现按正确顺序抓取目标物品。