随着科技不断地发展,机器人的应用范围变得越来越广泛,进入了家庭娱乐、工业生产等多个不同的领域。同时,这也带来了一些新的挑战,比如要求机器人需要适应环境变化、独立工作的能力以及具备更高的性能等。智能机器人应该不仅能够感知环境,还需要能与环境互动。而在所有这些能力中,目标的识别和抓取是最基本且重要的一个能力,因为它将为社会带来巨大的生产力。深度学习在计算机视觉应用方面取得了显著成功。可以借鉴深度学习在计算机视觉等领域的成功,在工业机器人的零件识别和抓取领域使用深度学习代替传统控制方法,然后得到泛化效果更好的特征表示。从而提高了零件识别和抓取算法的性能,弥补了传统方法的缺陷。本文首先研究了各个坐标系之间的转换关系,相机标定的原理以及机器人手眼标定的原理。基于V-REP搭建了用于机器人抓取的虚拟环境,其中包含了待抓取的零件、机械臂以及相机。研究了两种常见的机械臂运动规划算法,即PRM和RRT,用以解决机器人抓取零件过程中的运动规划问题。建立了基于SSD目标检测的零件识别网络,通过生成一系列固定大小的边界框,并对边界框里所包含零件的类别进行评分,最后由非极大值抑制环节生成最终的预测结果。通过数据增强的方法解决了收集的数据太少的问题,有效地提升了零件的识别率。建立了基于深度强化学习的目标抓取网络模型,制定抓取零件作为马尔可夫决策过程的任务,利用完全卷积网络近似表示Q学习中的动作-值函数,它通过最大化Q函数来选择最佳抓取动作。然后在V-REP中进行了抓取零件的性能测试仿真实验。最后,在真实环境下搭建了实验平台,完成了相机标定,机器人手眼标定等前期准备,进行了机器人的抓取零件实验。实验验证了所建立的模型的可行性。