随着机器人在实际生活中的应用越来越广泛,机器人的智能化发展也在人们对生活中起到了十分重要的作用。在控制机械臂进行物体抓取的动作中,传统方法大多是教会机械臂到固定的位置抓取物体,这样的机械臂自身并没有任何感知外部环境状态的能力,因此,在执行抓取任务的过程中特别容易受到外界不确定的因素影响,从而影响抓取的效果,如果物体的位置发生变化,机械臂很有可能无法准确的完成抓取动作。在机器臂的实际应用中,面对复杂度工作环境,机器臂可以随时适应环境的变化是十分重要的。然而,实际的环境状态是动态变化和无法确定的,这给机器臂的实际应用带来了很大的障碍。深度强化学习因为其对环境的高包容性,利用深度强化学习控制机械臂的运动,会很大程度上提高机械臂对于未知环境的适应性。针对传统机械臂抓取控制问题,本文通过引入深度相机,运用卷积神经网络的特征提取能力对图片中的目标进行预检测处理,将带有预检测框位置信息的状态图片作为抓取控制网络的输入,利用深度强化学习中的布莱曼最优策略对预检测框进行选择,再利用深度强化学习中的Q值网络对选择的预检测框内的每个像素点进行计算处理,设置网络的输出为每个像素点的抓取成功率,选择其中的最大值作为机械臂执行抓取的位置坐标。通过对算法整体架构的设计,提高了抓取控制算法的训练效率,并设计抓取结果的评价机制来对整个抓取系统进行反向更新与学习。本文控制系统算法部分的实现是在Ubuntu操作系统下配置TensorFlow环境,利用python语言对整体算法进行编写,并使用基于ROS系统的V-REP软件完全模拟了一个真实的机械臂抓取系统。通过软硬件结合的方式将算法移植到了嵌入式系统中验证其在硬件中的可操作性,并设计便于操作的界面,通过界面就可以成功使用该算法控制机械臂进行抓取操作,具有直观易操作的特点。最后将本文提出的深度强化学习的抓取控制系统与传统的抓取控制系统进行对比,证明了深度强化学习控制方法的合理性和有效性。