随着计算机、电子通信等技术的快速发展,机器视觉已在各个行业中得到了广泛的应用。其中,在航空航天、军事、助老助残以及家庭服务等领域,具备操作能力的服务机器人已成为研究热点,而三维物体的识别及抓取位置检测变得尤为重要。对机器人抓取操作任务来说,抓取位置检测具有重要的地位,是保证抓取成功的关键一环。近几年卷积神经网络在机器人抓取检测任务上取得了较好的检测效果。但是它们中大多数方法存在太多的计算参数,较为耗时,不够稳定。针对当前存在参数多耗时大且不够稳定等问题,本学位论文主要面向服务机器人的目标检测和抓取位置智能检测的轻量化卷积神经网络构建和性能分析展开研究。本课题的初步研究具有较好的应用价值和前景。本论文的主要工作有:第一,为了解决目标检测在实时性要求高的应用处理速度较慢的问题,结合轻量化MobileNetv1和YOLOv4网络的不同特点和优势,提出了一种面向服务机器人智能抓取任务的轻量化卷积神经网络YOLOv4-MN。为了解决目标检测正负样本不平衡以及其难以区分等问题,采用基于RetinaNet模型的加权损失函数Focal loss进行优化学习。基于服务机器人智能抓取任务的需要,自建了基于办公室环境的小型数据集RobOff2021;经过实验对比分析,轻量化YOLOv4-MN卷积网络模型占用更少的内存,其检测精度高,检测速度更快。第二,为了解决物体抓取位置检测卷积网络处理时间较长的问题,基于轻量级MobileNetv2的特点和优势,结合经典YOLOv5边界框生成思想,给出了轻量化抓取检测模型YOLOv5-MN2。为了检测抓取框的旋转角度,提出了一种D-anchor的锚框匹配策略。实验结果表明,在标准的Cornell抓取数据集上,本文提出的抓取模型优越于当前SOTA抓取方法,达到91.8%的准确率,平均检测速度快3倍。第三,给出了基于轻量化YOLOv5-Ef卷积网络的目标抓取位置学习。该模型保留了 YOLOv5-MN2的D-anchor锚框匹配策略来预测抓取角度,将主干网络MobileNetv2替换成EfficientNet-B0,并对EfficientNet-B0进行改进减少计算量。通过与YOLOv5-MN2网络对比实验和结果分析验证了本章提出的模型实时性和有效性。