生成物体抓取位姿是机器人抓取任务的核心组成部分,但是目前大多数抓取位姿检测方法主要针对结构化环境,在规划抓取时十分依赖于已知的对象模型、接触信息和物理属性等先验知识,导致应用场景和抓取目标相对固定。此外,现有的未知物体抓取方法主要以2D的RGB图像或2.5D的深度图作为输入,几乎没有模型考虑目标的3D几何信息,因此只能将抓取约束为与图像平面平行的三自由度（Three-degree-of-freedom,3-DOF）定向矩形框,限制了抓取的多样性。针对非结构化环境中任意位姿的未知物体,本文提出了一种基于3D点云特征的机械臂6-DOF抓取位姿检测方法Conv GPD,以解决直接从点云中获取目标抓取位姿的难题。本文主要完成以下4个方面的研究工作:（1）设计抓取位姿检测算法总体框架,包括抓取位姿采样、样本优化和性能评估3个模块,所有模块都是以深度相机获取的3D点云作为输入。根据设计方案完成抓取检测系统的软件和硬件平台的搭建。为了方便分析,利用简化的夹持器模型表示6-DOF抓取位姿,将抓取位姿检测问题转换为夹持器坐标系的建立问题。（2）考虑到现有的6-DOF抓取位姿采样技术由于依赖表面法线信息,存在无法在点云边缘处生成稳定抓取样本等局限性,结合抓取定性经验提出了基于点云多种几何特征的抓取候选生成方法,并设计对比实验从样本覆盖率指标验证这种几何启发式采样策略的有效性。实验结果表明提出的采样方法可以生成更加丰富且在物体表面分布均匀的稳定抓取候选。（3）虽然可以通过设定条件初步剔除抓取候选中的失败抓取,但是大部分被舍弃的样本可能接近成功抓取,因此本文根据改进力封闭（Force Closure）与力平衡（Force Balance）等抓取性能评估指标,提出了3种不同的抓取位姿优化方法细化原始的抓取候选,将其中失败抓取样本转化为成功抓取样本,实现高质量采样。最后利用消融实验从力封闭率和鲁棒性得分两个指标验证了该优化方法可以很大程度上提高样本质量。（4）为了获取优化之后抓取候选中的最优抓取,本文基于点云卷积神经网络Conv Point设计了一个端到端的抓取性能评估网络。该模型以夹持器封闭区域内的原始点云为输入,不需要转换点云,直接输出对应抓取候选性能的评估结果,得分最高的抓取将被执行。最后仿真实验结果表明即使输入点云非常稀疏,该网络也可以捕获夹持器与物体点云接触区域的的复杂几何特征。实际的单物体、多物体抓取实验结果表明提出的Conv GPD在常用对象上实现了88.57%的抓取成功率,并可以有效地拓展到抓取非结构化环境中其他形状的未知物体。代码和视频已经开源在https://github.com/quxiaochang/6-DOF-ConvGPD。