由于产业升级对智能机器人的迫切需要,理论研究工作者和工程技术人员对智能机器人研究和应用给予极大关注和热情。机械臂自主抓取技术是智能机器人领域的重要组成部分,应用场景广大,市场潜力巨大。机械臂自主抓取技术在零部件加工、智能装配、快递分拣、物体装卸等场景以及高危、高压、剧毒的工作环境中应用价值巨大。目前,有关一般物体（主要指纹理丰富的物体）机械臂自主抓取技术研究较多,而研究机械零部件自主抓取技术相对较少。尽管二者在基本算法流程上基本相似,但是在适用性和应用场景要求方面有显著差异。本文从机械臂自主抓取机械零部件的实际需求出发,研究了基于3D视觉信息机械臂零部件抓取技术,提出了不同的算法流程,改进了部分关键算法。具体内容概述如下:（1）为了缩短整体算法流程,本文不再采用由深度图或者视差图重建目标物体模型的传统算法流程,转而使用直接由深度相机捕获的场景点云,把点云作为所有算法的基本研究对象和输入单元。直接获取的点云存在飞点而且稠密,本文采用统计飞点滤波器过滤飞点,采用体素网格法稀化点云。稀化点云非常重要,稀疏的点云会大大降低后续算法的计算量。（2）为了获得完整的目标点云,本文直接采用基于全局优化的点云配准算法,不再采用先标定相机外参再拼点云的算法流程。算法将全局粗配准和局部精配准两个阶段的配准优化成一个阶段的配准,直接在所有输入点云上定义一个联合全局目标函数。使用FPFH算法快速构建对应关系集,即目标函数的定义域,添加两个约束测试,剔除部分错误对应关系,引入鲁棒估算子提高目标函数对错误匹配关系的“容忍度”,提高配准算法的鲁棒性。算法可以在无初始配准条件下,输出质量良好的完整点云。（3）为了获得单独的、无背景点云干扰的目标点云,本文改进了一种基于几何特征和色彩特征的点云快速分割算法。算法的输出为位姿估计提供了良好输入。本文摒弃了以往重位姿估计轻点云分割的算法流程,转而深入研究了点云分割算法,使得点云分割算法在占整个算法流程中的比重得到提升。实验表明这种提升提高了位姿估计算法的精度和执行速度。算法充分利用了点云的几何特征和色彩特征,在它们之间构建了一个空间距离度量方程,用于聚合点云过分割产生的超体素,完成点云分割。本文深入研究了空间距离度量方程,重新定义了该度量方程,根据机械零部件纹理缺乏的特点,增加了几何特征在整个度量方程的权重。根据机械零部件多数对称物体的特征,将零部件点云相邻分区平均曲率相似的特点加入几何距离度量方程,重新定义了几何距离度量方程。使用VCCS算法过分割点云产生的超体素保界度高,超体素聚合效果好,目标点云的分割效果好。算法满足一种优秀点云分割算法所具有的所有特点。（4）为了获取目标物体的6D位姿,为机械臂自主抓取零部件提供关键信息,本文改进了一种基于PPF特征的点云位姿估计算法。本文在思路流程上改进了原算法,不再将包含目标点云的场景点云直接输入位姿估计算法中,提出先分割场景点云中的目标点云,再估计目标点云位姿的思路。这种思路从输入数据上保证了霍夫投票阶段所有点对均在目标点云上,提高了点对特征匹配精度。同时,重用了点云分割算法,与单纯将点云分割作为点云估计预处理步骤的算法流程相比,减少了总体算法的总耗时。算法的主要步骤分为:全局建模和局部配准。在全局建模阶段主要是计算模型点云的PPF特征,并将对应点对一并存入哈希表中,供后续步骤调用。局部配准阶段主要计算场景点云的PPF,在哈希表中匹配模型点云的点对,从而计算出场景点云的大量位姿,通过霍夫投票得到一些场景点云上参考点的最佳位姿,最后对位聚类,求得平均位姿,该位姿即为场景点云最佳位姿。为了验证以上各算法的有效性,本文采用了一个螺栓螺母点云实例,并将该实例验证贯穿于以上各个环节,以评估算法效率和实用价值。