当前是一个智能化的时代,无论是对于传统的工业机器人,还是对于目前技术并不太成熟的服务机器人,都提出了新的挑战。而作为机器人的一项非常重要的能力,机器人的抓取及分类一直是国内外研究的重点。物体种类的繁多,物体形状的多变以及物体位姿的任意摆放,都对机器人的抓取及分类提出更高的要求。本文面对生活中常见物品分类及抓取,以Kinect v2相机为主要传感器,重点研究建立抓取分类模型学习物体的三维局部特征,根据局部特征映射到机器人末端的抓取参数;针对少量训练样本的情况,研究和分析两种经典神经网络的迁移学习进行物品的分类,并且搭建了实验平台进行最终的验证。本文的工作主要包含了以下几个方面:(1)为了实现生活中常见物体的识别和分类,研究和分析了两种比较经典的神经网络模型VGG16和Inception-v3的迁移学习。分析公共的数据集,进行一定的预处理,得到训练和测试所需要的数据集;针对原始数据集数量较少的问题,采用迁移学习的方法训练神经网络模型;对比两个模型在测试集上的测试结果,最终选取Inception-v3神经网络模型作为本文的物体分类模型;(2)为了获得机器人末端执行器的抓取参数,研究了四种抓取分类模型。分别针对颜色信息RGB、深度信息Depth、四通道的RGB-D信息、两个独立输入的RGB和Depth信息建立了四种抓取分类模型,对比和分析在已经标注完成的数据集上的测试和检测,最终四通道RGB-D抓取分类模型在top1矩形框的检测中获得了83.5%的成功率,明显高于本文中对比的其它模型;(3)依靠Baxter机器人和Kinect v2相机搭建实验平台,进行模型可行性的验证。利用空间四个点完成机器人的手眼标定,标定误差在可接受范围;利用top1矩形框内的三维点云,制定相对应的规则映射到实际的抓取参数;平台搭建完成之后,将四个不同的物体随机地放置在桌面上进行机器人的抓取和分类,实验证明本文的抓取及分类模型是可行且稳定的。