近年来,随着机器智能技术的发展,机械臂抓取在机器人操作、装配等场景得到了广泛的应用,现有的机械臂抓取方法需要精确感知空间中物体的6D位姿。然而,机械臂抓取场景中通常存在着传感器视野遮挡、物品堆叠等不利于感知的因素,使现有的感知方法难以满足机械臂抓取对精度与稳定性的需求。此外,对高成本物体位姿标注数据的依赖也使现有感知方法难以在不同物体与场景间进行快速迁移。针对上述问题,本文将针对机械臂抓取场景中的视觉感知方法开展研究,以提高物体位姿估计方法对遮挡的鲁棒性,并消除其对高成本标注数据的依赖。本文的研究内容和成果主要包括以下几个方面:（1）针对现有视觉感知方法不适用于严重遮挡场景的问题,设计并实现了一种对环境遮挡高鲁棒性的物体位姿估计方法Temporal Fusion。该方法基于RGB-D图像序列构建时空融合特征,并使用注意力增强的卷积神经网络回归物体的6D位姿,有效提高了物体位姿估计方法在严重遮挡下的性能。实验结果表明,本方法达到了99.3%的位姿估计精度,且可以对完全被遮挡物体进行位姿估计,优于现有的领先方法Dense Fusion。（2）针对现有物体位姿估计方法难以获取位姿标注数据以快速迁移的问题,提出并实现了一种无监督标注生成与弱监督学习方法Weak6D。该方法构建了适用于弱监督学习的物体位姿估计网络,提出了无监督生成优化目标的迭代优化解析器,并使用弱监督学习方法训练网络模型。实验结果表明,Weak6D无需任何物体6D位姿标注数据即可达到98.4%的位姿估计精度,与有监督学习的领先方法Dense Fusion接近,使视觉感知方法可以在机械臂抓取任务中快速迁移。（3）针对现有机械臂抓取的应用验证中缺乏感知方法验证平台的问题,搭建了具有完整机械臂与环境模型与开放接口的仿真平台。该环境具有机械臂抓取任务所需的机器人、待抓取物体、放置平台与环境光照等可控模块,并设计了所需的开放控制与状态读取接口,适用于对机械臂抓取中感知方法的验证。本论文提出的物体位姿估计方法Temporal Fusion与Weak6D实现了机械臂抓取场景中的高鲁棒视觉感知,并克服了现有方法对高成本位姿标注数据的依赖。因此,本论文提出的视觉感知方法在严重遮挡下同样可以满足机械臂抓取的视觉感知需求,并可在多种抓取场景与物体间进行快速迁移,具有较高的应用前景。