作为服务机器人的一项重要能力,机械臂抓取成功的前提是对目标物体抓取位置的准确定位。目标环境具有动态性、不确定性、物品繁杂及种类繁多等特性,对服务机器人的智能性提出了更高的要求。同时,未知物体作为无几何模型及特征信息的目标物体,使得服务机器人对目标物体的定位具有更高的挑战性。面向服务机器人的实际需求,本文研究了基于视觉的未知物体抓取位置估计。为了实现单一视角下物体的快速抓取位置估计,本文借鉴机器人抓取过程中的力平衡特性,提出了一种基于自适应动态力平衡的未知物体抓取位置估计方法。利用主轴搜索策略,从目标物体的轮廓信息中获取可抓取区域,并依据物体的凹凸性自适应生成候选抓取位置。然后通过物体的力平衡分析,估计合理的抓取位置,提高抓取位置估计的准确性。另外,该方法无需离线训练或构建物体的3D点云模型库,更具有普遍性。针对不精确的主轴导致抓取位置估计准确性降低的问题,本文在原有力平衡分析的基础上融合邻域曲面法向搜索策略,以精确获取多曲面物体的法向量集合,再结合基于高斯映射的各向同性邻域分割算法,寻找同一曲面上的数据点及法向。利用力平衡分析提取每一曲面上的最佳抓取位置,通过综合比较确定未知物体的抓取位置,有效地解决了由不精确的主轴导致抓取位置估计失败的问题,进而提高抓取位置估计的准确性。邻域曲面法向搜索的有效性依赖于距离、拟合残差以及法向偏差参数的选择,若参数选取不当,需要增加迭代次数来补偿参数过大或过小带来的不足。同时,每次迭代都需要拟合平面、求解协方差矩阵的特征向量及邻域点到拟合平面的距离,因此迭代次数越大,耗时越长。针对这种情况,本文提出了一种自适应邻域曲面法向搜索策略,通过引入特征评价系数,并融合自适应模糊C-均值聚类算法,自适应地选择距离、拟合残差以及法向偏差等参数,将算法执行效率提高15%左右。为了验证本文中抓取位置估计的有效性,本文利用KIT模型库、YCB模型库以及康奈尔数据集中的物体,通过力封闭抓取仿真实验,获取物体的抓取位置集合,并制作抓取位置评估数据集,然后依据抓取样本与标准样本的偏差度量方法,设计了一种抓取位置评估函数。实验结果表明,针对大部分常用物体,本文算法所估计的抓取位置均在误差范围（位移偏差0.02m、轴角偏差0.196rad）内。同时,本文利用服务机器人抓取仿真系统和真实的机械臂抓取实验,验证了本文算法的有效性。最后,对本文的研究工作进行了总结,并展望了未来需要解决的问题。