机器人抓取姿态估计是机器人抓取的关键技术之一。虽然目前的机器人抓取姿态估计技术在信息已知的结构化环境中已经有了广泛的应用,但是在复杂多变的非结构化环境中,机器人面临物体不可预测性的问题,获取目标的抓取姿态较为困难。因此,本文针对非结构化环境中的未知物体抓取问题,对机器人抓取姿态估计、手眼标定、数据增强等关键技术展开了系统性研究,探索了具有实用性的机器人抓取姿态估计方法。主要研究工作如下:（1）基于Eye-to-Hand的机器人手眼标定。针对抓取姿态的转换问题,本文采用了Eye-to-Hand手眼模型。将相机固定在视野中,并通过机械臂抓住标定板移动。然后记录机械臂移动过程中的数据,并通过这些数据求解手眼标定方程。最后通过解出的旋转矩阵将抓取姿态转换到机械臂基座标系下。（2）基于信息擦除和局部变换的数据增强方法。针对抓取姿态估计模型在训练过程中存在的过拟合问题,提出了一种基于In-and-Out结构的数据增强算法,以提高模型对未知物体姿态识别的效果。首先引入动态局部变换,通过动态局部操作增强信息差异性,有效地缓解了模型过拟合问题,并显著提高了模型泛化能力。然后引入动态信息擦除,迫使网络在隐藏大部分判别内容时寻找其它相关内容,从而增强模型对遮挡场景的鲁棒性。在图像分类任务上的多组实验结果表明,本文提出的方法优于现有的其它数据增强方法,并且在遮挡场景下具有较好的鲁棒性。此外,在姿态估计任务上的实验表明,本文方法能够有效缓解抓取姿态估计模型的过拟合问题。（3）基于深度学习的机器人抓取姿态估计方法。针对非结构化环境中对未知物体姿态识别的问题,提出了一种基于卷积神经网络的ERGNet（Efficient Residual Grasp Network）抓取姿态估计模型。首先引入CSP（Cross Stage Partial）模块,该模块在Res Net的残差结构上增加一个更大的残差边,能够有效降低模型对重复梯度的计算并加强模型的特征表达能力,从而使模型在预测时达到精度和速度的平衡。然后引入多尺度感受野模块MR（Multi-scale Receptive）,该模块通过多个分支卷积增大感受野,能够有效提升抓取姿态估计过程中对小目标的姿态识别能力。在不同数据集上的多组实验结果表明,本文提出的抓取姿态估计方法相比其他算法更好地平衡了姿态识别精度和推理速度。