工业机器人是“中国制造2025”重点发展的关键技术,而机器视觉技术的发展极大的扩展了机器人对环境的感知能力。随着智能制造领域对工业机器人的要求越来越高,将工业机器人与视觉系统结合起来,构建能够自主实现场景感知、目标识别、模型构建、特征提取与加工的智能加工系统,具有重要的应用价值和现实意义。然而,工业机器人具有复杂的非线性特点,将视觉系统的空间感知能力与工业机器人的关节参数统一到同一基准,对其合理建模和精确描述仍然面临诸多挑战。针对工程应用实际,本文以智能制造系统中的工业机器人和机器视觉为研究对象,结合相关实验系统和仿真平台,开展了双目视觉系统建模、性能分析、手眼标定、双目点云配准、点云预处理、特征识别和工业机器人运动学逆解等关键技术的研究。主要的研究内容如下:1.针对双目视觉系统中,传统算法对复杂点云存在配准精度有待提升,对噪声点较为敏感等问题。本文提出基于改进鲸鱼优化和改进ICP算法的复合点云配准方法,该方法将点云配准分为初始配准和精确配准两个步骤。初始配准阶段通过改进鲸鱼优化算法对随机抽样一致性（RANSAC）配准方法进行优化,在初始配准的前期,通过使用非线性收敛因子来增强鲸鱼优化算法的全局搜索能力,在初始配准的后期,引入自适应权重系数防止算法快速退化,提升算法的全局扩展能力,避免陷入局部最优。通过初始配准,将待配准点云转换到理论点云附近,并计算出旋转矩阵和平移向量。在精确配准阶段,通过引入关键点法向量加权判断等方法改进标准ICP算法,实验结果表明本文方法具有鲁棒性,能够实现对复杂点云的精确配准,有效避免了 ICP算法对离群点和初始配准位姿敏感的特点。2.针对传统方法在点云预处理阶段存在滤波后特征损失较多的问题,提出一种基于邻域分析的改进双边滤波算法实现点云的预处理。实验结果表明本文提出的滤波方法能够较好的去除工件点云采集过程中的噪声点和离群点,处理后的点云整体特征保持较好,边界较为完整,点云数量大幅下降。针对复杂工件点云异常特征识别准确率有待提高等现象,提出一种多维度改进特征值法识别异常点云,仿真及实验结果表明本文所提出的方法能快速、准确的识别出曲面工件点云的异常特征,提高了特征识别的准确性。3.针对现有工业机器人运动学逆解的解算效率和精度有待进一步提高的问题,提出了一种基于ELM-SSA-SCA的逆解求解方法。该方法将逆解计算分两步进行。首先利用训练速度较快的极限学习机（Extreme Learning Machine,ELM）预测出工业机器人的初始逆解。然后为了求出最优逆解,提出利用改进麻雀搜索算法（Sparrow Search Algorithm,SSA）和正余弦算法（Sine Cosine Algorithm,SCA）相结合的复合优化方法对得到的初始逆解进行优化,设计了训练集和测试集的均方误差之和最小为原则的适应度函数,取最优适应度下的解作为最优逆解。该方法充分利用了 ELM快速迭代能力和SSA寻优速度较快的优点。本文以6-DOF工业机器人为例,首先基于Denavit-Hartenberg（D-H）法建立了其正运动学和逆运动学方程并对其进行验证。然后通过采集到的4000组位姿数据对本文所提出的算法进行了验证,实验表明本文设计的算法相较于传统的基于粒子群-神经网络算法（PSO-BP）的求解方法具有收敛速度快、寻优能力强,迭代平稳等优点。综上所述,本文对智能制造环境下工业机器人双目视觉系统部分关键技术进行了研究,在基于改进智能优化算法的双目点云配准、异常点云识别和工业机器人运动学逆解等领域有所创新,所提出的方法具有较高的准确性和鲁棒性,研究成果在工业领域具有一定的理论意义和工程价值。