机器人抓取技术已经成为机器人研究领域的重要方向,虽然众多学者在机器人抓取投入了大量的精力,但抓取点识别不准确、实时性差等问题仍然存在。针对该问题本文设计了基于RP-ResNet网络的抓取检测算法,并考虑实际抓取需要提出了多任务卷积神经网络模型,可以同时执行抓取检测和目标分类两个任务。并搭建了机器人抓取实验平台,对设计的机器人抓取网络的实时性、准确性、可行性进行了实验验证。（1）首先分析了双目相机的成像原理与标定方法,然后使用张氏标定法对相机进行参数标定,再使用Matlab软件实现相机标定,最后得到相机内参和摄像头位置关系。（2）设计了一种卷积网络模型—RP-ResNet,该模型以ResNet-50为基础,充分利用深度神经网络低层位置特征信息清晰、深层次抓取特征丰富的特点,在低层次网络中加入区域建议网络（RPN）,对输入图像进行第一阶段的特征提取;第二阶段采用改进型金字塔池化结构,使用不同分辨率对特征图进行池化,保留更多图像原始信息,增加了输出的数据维度,并使用SENet网络提升通道注意力,加强了网络对小目标物体的检测精度。使用增广后的按照不同方式划分的Cornell数据集对RP-ResNet网络进行训练,在测试集上的测试结果精度高达96.72%,抓取检测时间也缩短到0.12s。（3）使用提出的多任务卷积神经网络实现了多任务输出,根据多任务卷积神经网络的参数共享机制,十字绣模块将主任务抓取网络和辅助任务分类网络进行信息共享。将传统的Inception网络与Residual模块进行结合,并使用Reduction模块代替传统池化层,最大限度的保留分类信息,实现了主任务与辅助任务相互促进、特征信息相互利用的效果。（4）搭建了双目视觉机器人抓取系统,使用Matlab对六自由度机械臂进行了建模、仿真,验证了机械臂正逆解的可行性。通过使用ABB机器人进行了机器人抓取实验,实物抓取成功率达到了86%,验证了机器人抓取系统的可行性。