随着经济飞速发展,制造业的规模也在不断攀升,工业机器人作为制造业提升的关键因素,因其具有节约人力资源,降低生产成本,提高生产效率的优点而被广泛应用在制造业的各个行业中。提升工业机器人的智能化水平有助于推动传统制造业向智能化、自动化、数字化转型,进一步提升“中国制造”的国际竞争力,进而实现制造业强国的战略目标。机械臂抓取工作是工业机器人在码垛、搬运和分拣等生产过程中的基础操作,改变传统的抓取方式,将视觉技术与工业机器人相结合,可以使得机器人在复杂环境中能够准确识别目标物体的类别和位姿,提高工业机器人的智能化水平。本文对视觉工业机器人的目标识别与抓取预测技术进行研究,提出了一种基于深度学习技术的识别与抓取预测方法,研究的主要内容如下:（1）针对未知不规则物体的视觉图像信息采集问题,建立了双目视觉系统并通过张氏棋盘格标定法进行相机的标定,获得内外参数以及坐标系之间的变换矩阵,建立眼在手外抓取平台,完成机器人手眼标定实验。（2）针对实验环境中目标检测算法问题,提出了D-YOLOv4目标检测网络模型,该模型主要基于YOLOv4网络结构,并将网络中的标准卷积层替换为深度可分离卷积层以提高网络运行速度,同时改进预测边界框时的先验框尺寸以提升算法性能,然后利用本文创建的目标检测数据集,对改进的目标检测网络模型进行训练,并与原始算法进行对比,得出改进的网络模型的检测速度提高了4.6fps,平均检测精度提高了1.4%。（3）针对未知不规则目标的抓取位姿检测问题,提出了一种基于D-CSPDarknet-53的抓取检测网络模型D-YOLOv4-grasp,该模型采用五维参数表示法,便于抓取坐标与抓取角度的输出,并利用回归思想确定网络模型的损失函数,通过在CGD和Jacquard抓取数据集进行训练,再使用目标检测数据集图像进行实验验证与分析,结果表明该方法可以实现对物体的有效抓取预测。（4）针对算法的实验验证问题,设计了视觉工业机器人识别与抓取系统的总体方案,使用FANUC工业机器人、计算机、双目相机、气动手爪、控制器以及示教器等硬件搭建了机器人识别与抓取实验平台,同时在软件方面完成了机器人通讯模块设计与机器人抓取程序的编程,在所搭建的实验平台上开展对所选择的一些抓取对象的抓取实验,实验结果表明,机器人识别与抓取系统的总抓取成功率为82.5%,验证了本文所提出的目标检测算法和抓取预测网络在视觉工业机器人识别与抓取实验中的有效性。