工业机械手是目前最广泛使用的一种工业机器人,它能够用于各种灵巧的生产操作。但是,现有的传统的工业机械手智能化水平低,普通工业机械手的视觉系统所依赖的场景彩色图像抗干扰能力较差。而RGB-D传感器采集的场景深度图像不受光照变化影响,能够提升工业机械手应用的鲁棒性。此外,由于深度学习方法在计算机视觉中表现优异,把深度学习应用于工业机械手中非常值得探索。为此,本文以工业机械手的抓取检测问题作为切入点,基于深度学习结合RGB-D传感器设计了一种工业机械手抓取检测的新方法,提升了传统工业机械手的智能水平。首先,具备物体识别能力的工业机械手能更加灵活地进行抓取任务,故本文设计了一种适用于工业机械手的快速物体识别方法,该方法减少了标准卷积操作的运算量,大幅提升了深度卷积神经网络的运算效率。实验中快速物体识别方法获得了94.2%的物体识别准确率,且每秒能够处理137.42张图片,可以用于工业机械手的实时物体识别。其次,针对工业机械手抓取检测中的图像分割问题,分别研究了基于全卷积神经网络的图像分割方法和基于深度图像的图像分割方法。全卷积神经网络在测试中的准确率较高但训练过程复杂。将RGB-D图像应用于图像分割处理中,本文设计了基于深度图像的图像分割方法,该方法使用简单,在测试中表现尚可。本文提出了新颖的基于深度学习的结合候选抓取区域的抓取检测方法,通过图像分割得到的物体轮廓生成一组候选抓取区域,利用深度残差网络挑选其中最优的抓取区域,抓取区域可按照空间关系转换为工业机械手的目标位姿,实验中该抓取检测方法获得了86.49%准确率。最后,本文利用ROS机器人研究平台进行了三维仿真实验,设计了一个简单的七自由度工业机械手,并构建了抓取系统以测试本文提出的快速物体识别方法与抓取检测方法的可行性,实验表明效果良好。