当前分拣领域中,借助机器视觉控制抓持器,识别抓取某一类位姿固定的物体的技术已相当成熟。但当物体的属性发生改变时,不仅容易造成抓取失败,可能还需更换末端执行器以适应新的目标物体,因此亟需一种机械手抓取范围可变同时识别定位能力较强的抓取方案。故本文以该抓取方案为研究目标,通过设计变位机械手来增加抓取范围,通过对双目视觉的研究和立体匹配算法的改进来实现更好的匹配效果,再利用基于深度学习的目标检测算法来提高目标物体的识别性能。本文主要研究内容如下:首先,根据欠驱动手的特点提出一种高适应性的变位机械手,在此基础上完成变位机械手的整体结构设计和驱动单元选择,让手指具有指根转动功能,拥有较高的适应性;分析变位机械手具有的两种抓取模式,针对运动时手指内部弹簧的受力情况和包络抓取时手指的受力情况进行计算,并对弹簧的受力变形进行仿真验证;通过对机械手正运动学分析并求解机械手工作空间后,利用3D打印完成机械手的制作和装配,借助实物对机械手的抓取模式和适应能力进行验证。其次,分析相机的工作原理和成像几何模型,通过建立世界坐标系到像素坐标系的转换关系并解析相机畸变情况,确定相机的主要参数;搭建双目视觉系统,分析张氏标定法原理,在此基础上完成相机内外参数求解和立体标定,并验证标定结果的精度。分析手眼标定的模型,通过实验完成眼在手外模式的手眼标定,得到相机和机械臂坐标系之间的转换关系。然后,针对传统Census变换算法的匹配效果差、抗干扰性弱的缺点,系统分析了在代价计算过程中的局限性,利用图像特性对Census变换进行优化改进,并结合代价聚合、视差计算和视差优化完成改进后的立体匹配算法,再利用理想图片验证其优越性和抗干扰性。提出针对实际拍摄的图像应先进行图像处理,包括立体校正和图像预处理,能够较好的降低算法复杂性并使得采集的图片实现更好的匹配效果。最后,提出利用基于卷积神经网络的YOLO算法对物体进行目标识别,通过分析理论模型获取目标物体预测边框位置,达到对物体进行定位的要求;针对待检测物体建立训练所需的标注数据集,利用数据集完成模型训练,并利用检测实验验证该算法识别目标物体的精确率和可靠性。通过将变位机械手与机械臂结合搭建实验平台,利用视觉系统标定的结果和本文提及的算法进行目标识别定位系统的设计,通过不同物体的定位抓取实验,验证了基于双目立体视觉技术的变位机械手定位抓取的可行性。