机器人抓取物体是机器人和真实世界交互必不可少的功能,对于人类来说抓取物体基本不需要思考就可以完成,但是对于机器人来说对于不同物体准确灵活的抓取却是一个高难度动作。机器人想要达到和人类抓取物体一样的灵巧性和交互性,还需要克服许多机械和计算问题。本文将二指机械手物体抓取和深度学习结合起来,对二指机械手在刚性物体（如工具、家用物品、包装物品和工业部件等）抓取位置选取问题上进行研究。由于传感器数据噪声和物体遮挡,很难准确的推断物体的形状、位姿、材料、质量以及夹具与物体之间接触点的位置等物理性质,因此让机器人能够抓取各种不同的物体有很大的挑战。本文通过使用大量包含人类抓取标签的数据训练一个深度学习网络对多种不同的物体做抓取规划。利用Kinect2.0深度相机采集到物体深度图像,首先根据Force-Closure条件生成一系列的候选抓取位置,以抓取位置中心为原点、抓取轴线为主方向以适当大小尺寸对物体进行裁剪,然后利用训练好的深度学习网络对每对抓取点进行抓取稳定性评估,选出最优抓取点执行抓取动作。对于原始方法抓取位置选择的局限性,比如物体内部有狭小的缝隙从而容易使夹具和物体发生刚性碰撞导致抓取失败,本文提出了选择外围轮廓抓取的方法,首先通过图像形态学中的闭运算,将物体内部的狭小区域填充之后再重新选择抓取点,解决了在物体轮廓内部选取抓取点所导致的容易与夹具发生碰撞的问题,同时由于仅选择外围轮廓进行抓取点采样大大减少了抓取位置的数量,在很大程度上提高了程序运行效率。为了实现多物体场景下对物体选择性抓取,本文通过提取彩色图像SIFT特征与物体模板的SIFT特征进行匹配得到目标物体的感兴趣区域,在感兴趣区域内进行抓取位置选择与决策,实现对特定目标的抓取。通过实验仿真和二指机械手真实抓取的实验结果表明基于深度学习的物体抓取位置选择方法可以实现对视野范围内不同物体任意摆放姿态的成功抓取,可以满足机械手对物体准确灵活抓取的要求。