随着中国经济高质量发展需求的不断增加和“智能制造2025”战略的持续推进,传统制造业面临越来越大的转型升级压力。制造部门越来越多的工作由工业机器人完成。但是,目前实际生产应用中,工业机器人通常只能通过示教编程的方式按照事先设置好的路径执行规定的动作,而对周围环境缺乏感知能力和应变能力。尽管2D视觉系统在一定程度上提高了工业机器人的感知能力,但仍然无法满足智能制造中常见的对三维物体的抓取和搬运等需要。近年来,深度学习以其强大的拟合能力在工业制造部门得到越来越多的应用,特别是在计算机视觉领域取得了巨大成功。本文针对机器人对零件的智能化抓取这一应用需求进行研究,设计了一套基于红外双目结构光相机的机器人抓取系统,并对其进行实验验证。第一章,先介绍本文的研究背景和意义,然后分析了机器人抓取技术的发展现状,最后讨论了结合深度学习物体位姿检测研究现状,并对研究现状进行总结以突出本文工作的必要性。第二章,对系统需求进行分析后,设计了机器人抓取系统总体方案,并选择相应关键零部件。分析了几种3D相机工作原理,选择了工业用红外双目结构光相机作为本项目视觉感光部件。然后确定选择UR10机器人作为本课题的机器人,并配置了相应的气动夹爪。最后,基于ROS（Robot Operating System）设计了抓取系统的软件框架。第三章,研究点云数据获取及点云前处理算法。首先分析相机单目和双目成像模型,并对相机进行单目和双目的标定。将经过标定的相机获取数据转换为点云后,研究点云滤波、分割、降采样等前处理问题。滤波主要去除点云中的离群点;分割主要用于分离零件数据和工作台背景数据,根据随机采样一致性算法计算工作台背景平面,以该平面为界进行分割,获得只包含零件点云的点云数据。降采样主要用于在尽可能保留零件点云关键信息情况下,降低点云密度,提高后续计算速度,本文实现一种基于体素的点云降采样算法对点云数据进行降采样。第四章,设计了一种基于Point Net模型的点到点机器人抓取算法。首先提出基于Point Net模型的点云深度学习网络总体框架,然后详细分析了Point Net网络模型原理,包括STN模型和感知机模型,并针对点云数据无序、多视角特性进行针对性设计,然后基于该模型提取点云特征的特性搭建用于本文的机器人抓取检测算法。第五章,在Linux下基于ROS搭建了包含PC、红外双目结构光相机、机器人、气动夹爪、控制柜的三维视觉引导机器人抓取系统,对点云数据集的制作进行了阐述。最后对机器人抓取系统进行实验。第六章,对本课题研究的基于点云深度学习的机器人抓取系统设计工作进行总结和展望。