灵巧手是一种具有多自由度、多关节,具有丰富的传感器,且与人手功能类似的机器人末端执行器,能够灵活地抓取各种形状的物体。多指灵巧手的抓取问题一直以来都是研究的热点,它能够有效完成对多种物体的抓取和操作任务,像人手一样灵巧地抓取不同形状大小的物体。多指灵巧手研究的目标是使其能最终取代人手,完成精细复杂的操作。灵巧手的抓取问题主要包括两大部分,一是使用视觉传感器感知物体的位置、大小、形状等信息;二是在此基础上对机械臂及机械手的运动进行规划,完成抓取姿态的控制,达到抓取的目的。因此,本文针对灵巧手的抓取运动规划问题,基于深度强化学习方法对机器人抓取问题进行了分析与研究。首先,为了能够在V-REP机器人仿真平台上完成机器人抓取任务,研究了各个坐标之间的转换关系,基于V-REP搭建了用于机器人抓取的虚拟环境,以及研究了机械臂运动规划常用的两种算法。此外,针对数据集较少的情况下,避免出现过拟合的问题,本文通过一个具有大型的数据集Image Net上进行预训练Dense Net-121实现图像分类,这样不仅能够避免过拟合达到较好的效果,而且还缩短了时间和节省计算资源。同时,针对圆球、圆锥等物体表面光滑,且受力不均匀或稍微有点力作用时其容易滑动溜走等因素,难以抓取。因此,本文根据三点固定法的思想,使用三指灵巧手作为机器人的末端执行器,以三指灵巧手的指尖作为接触点的抓取方式,解决了物体易滑动溜走导致抓取不准确的问题。除此之外,三指灵巧手控制方便、结构简单,能够实现对多种形状物体的稳定抓取。其次,为了能够根据最佳策略选出最优的抓取动作,使用了深度强化学习的算法,建立了抓取网络模型,并将抓取任务看似于马尔可夫决策过程的任务在抓取网络模型中进行训练,最终在V-REP机器人仿真平台中进行了抓取仿真实验,同时将抓取成功率作为抓取性能的评价指标。最后,针对密集场景中存在物体密集相互干扰等不易抓取的问题,提出了推抓结合的抓取方法,在密集杂乱的环境中推抓结合起到了协同作用,推动起到了分离物体的作用,有利于准确的抓取物体,提高抓取成功率。同时在机器人仿真平台中,在密集场景中对物体进行仿真抓取实验,验证了该方法的有效性。