随着智能化技术的发展,机器人在工业制造、教育娱乐和家庭服务等领域逐渐得到广泛应用。现有机器人通常只具备简单的避障、语音识别和指令反馈等能力,无法对人类活动进行有效辅助并开展更高级别的交互,而机器人抓取则是实现人机交互的重要手段,具有广阔的应用前景。然而,现有抓取手段对目标物体的感知能力普遍较弱,操作环境的复杂性和不确定性、物体种类的多样性、物体间的相互遮挡和复杂背景干扰等都给机器人抓取带来了巨大挑战。本文以非结构化操作环境下对目标物体的抓取为应用背景,针对配备有多自由度机械臂的机器人,研究其在抓取过程中面临的目标感知问题,引出全文的主要研究内容如下:针对基于模板匹配的检测算法无法有效处理未知种类目标的问题,提出一种基于特征候选区域的未知目标检测方法,能够在不依赖物体类别的条件下有效检测图像中的物体。该方法采用下采样方向梯度直方图特征以区分物体区域和非物体区域,同时引入局部归一化和维纳滤波等预处理方法增强前景物体特征对比度。实验结果表明,所提方法能够有效检测图像中的潜在物体,并对目标旋转、形状差异、光照变化和噪声等干扰具有一定的鲁棒性。针对物体预测区域存在的边界偏差问题,提出基于局部特征分布的目标检测优化方法,分别从视觉显著性和边缘特征分布的角度提高检测结果与物体的吻合程度。考虑物体本身的特征连续性,提出“扩张-对齐-优化”的三步区域边界优化策略,分别采用基于超像素的滑动窗口搜索方法和基于高对比度超像素的前景-背景区域分类方法,实现区域边界优化,并在公开数据集和实验场景下对算法有效性进行了分析。实验结果表明,所提优化方法能够在不改变原有检测算法基本框架的前提下,有效提升目标检测率。针对传统候选抓取区域搜索方法面临的搜索效率问题,提出基于选择性搜索的物体抓取区域检测方法。在抓取区域生成方面,设计摩擦力准则和抓取扭矩准则,用以从物体边缘筛选潜在的抓取点对,并通过抓取点距离估计矩形抓取区域参数。选择性搜索方法能够以少量的候选区域实现对真实区域超过99%的覆盖。在抓取区域识别方面,提出一种仅利用RGB信息的卷积神经网络模型,能够快速识别可抓取区域。实验结果表明,该方法能够在保证检测效果的同时,极大降低算法训练时间。针对少数离散真实区域无法有效反映实际抓取概率的问题,提出基于抓取分布直线的物体抓取区域检测方法。抓取分布直线能够刻画抓取区域的连续分布,通过预测区域与投影区域的对比,实现对模型误差更加精确的描述。进一步,将抓取检测问题转化为抓取区域位置、尺寸参数的回归问题和角度参数的分类问题,提出一种基于YOLO v3模型的多抓取区域检测算法,能够高精度地检测物体上的多个可抓取区域。在康奈尔抓取数据集下,该方法取得96.5%的检测精度;在真实机器人抓取场景下,该方法可成功引导机械臂完成物体抓取操作。