随着工业机器人的广泛应用,我国制造业水平快速提高。然而,传统的示教型工业机器人已经不能适应多品种、小批量的生产装配模式。现阶段,具有视觉的智能化工业机器人逐渐成为制造企业未来发展的主方向。在实际生产过程中,要使机器人能够自主高效地完成产品的装配任务,零件的识别和位姿获取是机器人抓取和装配的前提。现有的目标识别和位姿估计方法受零件纹理单一、形状相似以及环境噪声等因素的影响,算法的精度和效率还有待提高。为此,本文以工业生产领域的装配零件为研究对象,将零件CAD模型点云与视觉点云数据相结合,研究基于深度相机的目标识别和位姿获取方法。本文主要工作如下:（1）KinectV2视觉系统的标定与点云数据预处理。基于KinectV2视觉系统标定原理,采用Zhang氏平面模板标定法完成了相机的标定;针对视觉点云数据量大、分布不均以及噪声较多的问题,采用点云滤波算法对其进行滤波,实现了视觉点云的降采样、杂乱背景去除以及噪声离群点的剔除;同时,采用RANSAC算法和基于欧式距离的聚类分割算法,实现了场景中零件视觉点云的分割。通过对视觉点云数据进行预处理,为后续的目标识别和位姿获取提供良好的数据基础。（2）基于点云全局特征的零件识别方法研究。基于零件三维CAD模型,通过设置虚拟相机,完成了点云模型库的构建;针对现有的VFH点云全局特征描述子对于相似位姿下的不同零件容易产生误识别的问题,提出一种改进的VFH特征描述子;采用基于kd-tree的最近邻搜索算法,完成视觉点云在CAD模型点云库中的检索识别。实验结果表明,本文识别算法对于不同类型零件的整体识别准确率为84.5%,在大拍摄角度[58.28°,90°]区间内,识别准确率可达到100%;对于同类型不同尺寸的零件整体识别准确率为54.6%,在大拍摄角度[58.28°,90°]区间内,识别准确率提升至77.5%。最后在仿真数据结果的基础上,建立了光轴零件视觉点云的长度尺寸失真与拍摄角度的关系模型,为仿真实验结论提供了理论依据。（3）基于点云配准的目标零件位姿估计方法研究。针对ICP算法在初始点云位姿相差较大的情况下迭代容易陷入局部最优的问题,本文将SAC-IA与NDT粗配准算法分别与ICP算法相结合进行点云配准。仿真实验结果表明,SAC-IA+ICP算法组合在配准误差和耗时方面均优于NDT+ICP算法组合;实际零件配准结果显示,SAC-IA+ICP算法的平均均方根误差为0.951mm,平均耗时为809ms,在配准精度和实时性方面均能满足实际装配要求。（4）面向装配的KinectV2目标识别与位姿获取实验。使用KinectV2相机分别采集不同类型零件以及同类型不同尺寸零件的视觉点云,完成了识别算法的精度验证实验,并对实验结果中出现的误识别原因进行了分析;基于手眼相机标定原理,完成了KinectV2相机的标定实验,建立了相机坐标系与机器人基坐标之间的转换关系;基于相对测量法,通过对机器人手爪进行任意旋转平移变换,计算变换前后的位姿相对值,并与真实位姿相对值进行比较来验证位姿获取算法的精度,实验结果表明,位姿获取算法的最大平移误差为3.178mm,最大旋转角度为1.433°。