近年来,随着城市化进程加快,城市垃圾问题日益严重,垃圾分类处理已成为社会日益关注的焦点。在我国当前国情下,垃圾按类分拣工作主要是人工完成的,此种方式存在效率低、成本高、劳动强度大等弊端。随着机器人技术快速发展与应用,使用机器人进行垃圾分拣已成为发展趋势,国外已有几家公司已推出成熟的机器人垃圾分拣系统及方案,而国内机器人垃圾分拣技术研究较晚,仍处于起步阶段,尚未有成熟产品及解决方案。国内垃圾处理问题日益突出,亟待研究解决自动化、智能化的垃圾分拣相关技术。为此,本文围绕机器人垃圾分拣中的垃圾目标识别与分类、垃圾的跟踪与抓取等关键技术展开研究,具体工作如下:首先,在垃圾分类识别方面,为解决传统垃圾分类方法存在的准确率低、适应性差、检测速度慢的问题,挑选了速度较快、准确率较高且有较强泛化能力的YOLOv3网络模型进行垃圾检测与分类。实验表明,YOLOv3网络在本文搜集的垃圾数据集上平均精度均值m AP达到97.4%,检测时间仅需25毫秒。其次,针对传送带上输送的垃圾目标,提出了一种结合YOLOv3目标检测算法及核相关滤波的多目标跟踪算法。同时,为实现传输中垃圾目标的统计,提出了一种虚拟检测线计数法。实验结果表明,核相关滤波算法具有良好的跟踪效果且对少量遮挡具有较好的容错能力。对于测试视频,提出的多目标跟踪算法的准确率达到86.67%,精确率达到92.17%,处理速度FPS为23.6。此外,虚拟检测线计数法在无遮挡情况下计数准确率可达98.1%,在部分遮挡时计数准确率可达96.3%。再次,提出了一种结合YOLOv3目标检测算法、核相关滤波算法与卡尔曼滤波预测的机器人抓取视觉引导方法,可以引导机器人准确完成抓取作业,充分发挥了三种方法的优势,取得了对速度可变的垃圾目标预测的适应性。最后,搭建了机器人垃圾分拣系统,同时对YOLOv3网络进行了剪枝并移植到Xavier平台上。实验结果表明,剪枝后网络在实验环境下仍可很好地完成垃圾目标的检测与识别,检测精确率与召回率均高于95%。此外,静态垃圾目标抓取成功率为97.2%,平均耗时4.26秒,而对于输送中的垃圾目标,分拣成功率为92%,平均耗时4.7秒。测试结果验证了垃圾分拣系统的有效性及可用性,有望后续应用于真实的垃圾分拣中。