随着机器视觉技术的快速发展,应用领域的不断扩大,尤其在工业上,它已然成为获取信息的工具之一,也是一个体现工业4.0智能化的关键技术。本文将以机器视觉为主导,研究复杂多样的汽车小零件在非结构环境下的定位抓取工作。内容上,它包含目标识别分类和定位抓取,同时,也涵盖机器人在抓取过程中路径规划设计。从难度上来看,机器人在对目标识别方面存在两个难题:第一,当众多汽车小零件错综复杂的叠放在一起时,由于种类的复杂多样和互相遮挡,存在大量未知信息;第二,在获取目标群体的三维信息时,存在目标抓取顺序混乱及碰撞等。另外,传统的机器人作业是通过示教器反复示教校准,对已知现有的目标进行定位抓取,执行模式比较固化,且泛化能力不够,很难满足工业机器人对多种类、多目标的作业需求。因此,本文提出一种适用于汽车小零件定位抓取的方式方法,具体在以下三个方面进行研究工作:首先针对复杂未知环境下汽车小零件的识别分类问题,本文提出一种自适应速率的卷积神经网络训练模型,该神经网络与Faster R-CNN结合,对目标区域和建议候选区进行IoU准则判断。同时本文在准则判断上增加约束条件,对模糊分类进行校正。实验表明该方法在目标存在互相遮挡时,可适当调整,降低错误率。其次,针对立体信息的数据获取问题,本文分析双目视差法的原理和不足,融合局部视差以及基于导向滤波的视差方法,通过实验对比分析,该方法能够较好的实时完成视差图获取,在时间和准确度上都有一定的提高。最后针对机器人在抓取过程中路径规划的设计问题,本文先分析抛物线法和多项式法的优缺点,进而提出一种组合插值方法来规划路径,完成工件的抓取工作。通过搭建视觉机器人集成系统平台,在复杂环境下进行模拟实验,成本较低,效果较好。经过最终分析,本文的研究工作对于中小型零件的定位抓取具有一定的参考价值和应用价值。