近年来,在三维视觉感知技术的推动下,新型智能机器人逐渐具备了越来越强大的感知和交互能力。基于视觉感知的机器人抓取技术主要分为已知目标物体模型的抓取和未知目标物体模型的抓取。对于未知目标物体模型的视觉抓取,抓取算法需要尽可能地感知物体的完整信息。然而,受到物体遮挡和扫描误差的影响,单帧RGB-D图像中包含的物体信息往往不够完整并且存在一定的噪声,这给机器人的精准抓取带来了一定的挑战。而对于模型已知的物体,需要首先预测出物体的6D位姿,并根据物体的模型得到机械臂的抓取位姿。虽然现有方法能够在桌面物体位姿估计数据集上达到了较高的准确性,但在无纹理数据集上的性能表现还有待提高,这是由于无纹理物体集缺乏纹理特征,难以从RGB图像中提取有效的物体特征。针对以上两个问题,本文分别提出了面向机械臂抓取的物体形状补全和6D位姿估计方法。首先,针对未知物体模型的机械臂抓取,本文提出了一种基于对称检测的物体形状补全方法Symmetry Net,采用单帧RGB-D输入,通过多任务学习来同步地预测物体的对称对应点（symmetry counterpart）。本文通过实验验证该方法具有较好的泛化性,能够在未知实例（holdout instance）、未知类别（holdout category）上进行有效地预测,与现有的相关方法相比性能最优（state of the art）。该方法在轻度、中度和严重遮挡下的数据集上进行了测试验证,实验证明相比于其他方法,Symmetry Net能够有效地克服遮挡。此外,本文还提出了针对物体对称预测和形状补全的评价标准并发布了相关数据集。其次,针对已知物体模型的机械臂抓取,本文提出了一种基于过分割结构分析的无纹理物体6D位姿估计方法Patch Fusion。该方法采用单帧观测的物体点云作为输入,通过过分割的方法提取物体的几何平面和曲面块（patch）,并利用点云特征提取网络来对物体的局部特征进行学习,提出共面损失（coplanarity loss）和空间一致性损失（spatial consistency loss）来对位姿预测网络进行约束和监督。该方相比于传统的点对特征的方法,该方法具有更好的实时性;相比于基于深度学习的单帧RGB-D图像输入的方法,该方法具有更好的预测准确性;相比于单帧RGB图像输入的方法,达到相同的性能时该方法训练代价更小,数据需求量更低。