随着人工智能以及深度学习的不断发展,机器人的自主抓取在智慧工厂以及智能家居等领域都发挥着不可替代的作用。针对端到端的抓取检测模型对密集遮挡等多物体的检测存在重复检测、鲁棒性差的不足,本文提出基于RGB图像与Depth图像融合的目标识别与抓取检测分步骤处理的方法,该方法支持抓取检测模型在单物体场景下进行训练,并直接应用于多物体场景中,这增加了模型的泛化性并减少了人工标注数据的工作量。本文的主要内容如下:首先,针对基于RGB图像的目标检测器对密集遮挡的多物体场景易出现漏检与误检的问题,提出了将低维特征与高维特征进行多尺度特征融合的子阶段路径聚合模块（Sub-stage and Path Aggregation,SPA）与基于RGB-D特征级别融合的SPA-YOLO-Fusion目标检测模型。SPA-YOLO-Fusion在YOLOv3-tiny的基础上,利用两个不同的特征提取网络对RGB图像以及Depth图像分别进行特征提取,使用特征叠加的方式处理RGB特征以及Depth特征,并使用了SPA模块对叠加的两类图像特征进行融合。对Line MOD数据集进行补充标注并从实际场景采集图像制作YODO＿Det数据集,实验结果表明SPA-YOLO-Fusion模型在两个数据集上的检测精度分别为91%和95%,且光照鲁棒性以及特征融合模块的泛化性也优于YOLOv3与YOLOv4的轻量级模型。其次,从损失函数、预处理以及后处理算法三方面对基于RGB-D像素级别融合的GR-Conv Net抓取检测模型进行了改进。本文提出的MS-L1（Mask Smooth L1）损失函数,对SPA-YOLO-Fusion模型所输出的目标区域图像赋予较大的权重,并提出白色背景填充的预处理算法以及对目标区域外的图像像素进行过滤的后处理算法。从实验室场景采集图像并制作YODO＿Grasp数据集,该数据集的特点是训练集为单物体图像,而测试集为多物体图像。实验结果表明改进之后的GR-Conv Net与GG-CNN的精度分别85%和73%,性能分别提升了23%与17%。然后,在配备RealSense D435i深度相机与Jaco2机械臂的抓取平台上,对单物体场景以及六类物体密集摆放的多物体场景都进行了目标检测与抓取检测,并针对有效的抓取框再进行了20次抓取实验。实验结果表明在单物体场景下目标检测精度为97%,抓取检测精度为97%,抓取成功率为93%;在多物体场景下的抓取检测精度为75%,抓取成功率为90%,优于其他抓取检测模型。最后,将基于RGB-D图像融合的目标识别与抓取检测的功能进行软件集成,提高了抓取检测任务的可视化能力以及可操作性。该论文有图61幅,表7个,参考文献92篇。