智能自主的抓取操作是服务机器人研究的一大挑战。目前服务机器人智能水平单一,服务执行能力不足,远远未达到人们的期望水平。传统机器人侧重于提高其感知、计算和执行能力,以应对复杂环境下的抓取任务,这往往造成机器人个体笨重、造价昂贵。本文以智能空间与云技术相结合,以实现家庭环境下物品的识别与抓取操作为应用背景,针对在家庭等非结构化环境中对物体的准确识别、位姿估计和抓取算法规划等相关问题进行研究。针对家庭环境下物品种类繁多、环境复杂,难以对物品实现准确识别的情况。本文提出基于Vuforia云服务的物体识别与位姿估计方法。通过构建Vuforia云端图像数据库,利用Vuforia SDK实现对物品的识别和位姿估计。设计了基于Vuforia的物品识别和位姿估计实验,验证了该方法的有效性,并对实验结果进行详细的说明和分析。借助于Vuforia强大的功能,机器人可以大大提高自己的感知能力,并将复杂的识别任务卸载到云端进行,从而减轻机器人的存储和计算负担。由于第三方云平台所提供识别功能的局限性,无法完全满足机器人的任务需求。本文提出了基于智能空间虚拟云平台的物品分类方法。首先利用SIFT特征和特征描述子构建基于词袋模型(Bag-of-Word, BoW)的视觉词典,实现物品图像的特征向量表示形式。其次针对在虚拟云平台下的物体识别,提出了基于支持向量机的图像分类算法,实现了对多类物品的准确分类。最后在本地虚拟云平台下进行了实验,并验证了算法的有效性。相比于智能空间下机器人抓取操作,本文提出了基于云平台与智能空间技术,结合底层机器人平台,搭建云-智能空间-机器人抓取三层架构,设计并定义各层功能和任务要求。并以基于位置的视觉伺服为控制算法,设计了抓取仿真实验,分析并验证了此架构的合理性。为提高机器人在复杂环境下抓取操作的适应性,本文提出基于回归模型估计机器人期望抓取位姿的方法。首先,在训练数据提取阶段提出了基于PBVS算法,使用六维的变换向量来表征位姿关系的方法。其次,设计了学习训练算法,并利用大量的训练数据进行模型估计。最后,通过验证样本进行改进,确定估计模型的参数,获得最终的估计模型,并使用测试样本验证训练算法的有效性。