随着越来越多的领域开始应用机器人以及机器视觉技术的蓬勃发展,机器人能够完成的自动化、智能化的任务也越来越多。在面对小批量,多种类零件的拾取放置需求时,针对零件做特定夹具,或者制作特定生产线会使得工厂的生产成本变高,于是基于视觉的工件智能识别定位技术的研究成为必要趋势。本文以RGB-D相机为视觉信息来源,针对汽车五金件的识别定位问题,对基于模板匹配的物体识别,基于点云配准的位姿估计,以及基于点云的非线性优化的手眼标定等算法进行了研究。本文主要完成了以下几个方面的工作:（1）针对汽车五金件识别问题,研究了改进的LINEMOD模板匹配物体识别算法。为了提高LINEMOD模板匹配算法在反光、无纹理物体上的识别率,本文提出了使用深度图像的梯度信息和法向信息作为模板特征用于模板匹配。同时为了提高改进模板的采集、制作效率,本文分析了光线追踪的基本原理,并使用Open GL编写了基于模型渲染多视图的算法,可实现工件的多视角的深度图及其对应点云的渲染。实验验证了本文提出的改进方法提高了原有方法的识别率。（2）针对工件三维快速精确定位问题,研究了基于CUDA加速的KD树ICP两阶段点云配准算法。为了使精确配准有较好的初始位姿,首先计算两个待配准点云的点集中心,通过两个中心点构成一个平移向量,通过平移向量拉近模板点云与实测点云,实现了点云的粗对齐。在精确对齐阶段,针对ICP算法比较耗时的问题,设计了一种基于CUDA加速的K-D tree ICP算法,成功提高了算法速度。实验结果表明,本文方法可将精确位姿估计的精度控制在2mm以内、时间缩短到30ms左右,比原有方法速度提高了10倍左右,可实现实时的工件三维位姿估计。（3）研究了基于三维视觉的机器人手眼标定算法。为了确认基于带有噪声的点云数据手眼标定方法的可行性,对比了在不同噪声条件下,线性计算与非线性优化求解手眼标定方程的标定矩阵估计精度,模拟数据实验表明L-M算法在高噪声条件下可有效求解手眼标定方程。设计了一种基于点云的非线性优化的自动化手眼标定流程,使用了待检测的工件作为标定物,实现快速便捷的手眼标定以及工具坐标系标定,实验结果表明,本文提出的标定方法的标定误差在3mm以内,视觉系统满足金属工件的机器人三维拾取要求。（4）最后设计并搭建了一种集成本文提出方法的机器人拾取系统,并设计了系列实验,验证了本文提出的基于三维视觉的金属工件识别与位姿估计系统的可行性。