如何使机器人高效、高性价比地服务于工业一直是国内外学者研究的热点。高端机械臂精度高、速度快、稳定性好但是成本昂贵,中端和低端的机械臂价格便宜但是精度、速度和稳定性都不能很好得满足需求。本课题围绕低成本的机械臂抓取系统进行研究,采用深度学习技术和强化学习技术,实现机械臂更加快速、准确和智能的抓取。本文以低成本机械臂抓取系统为课题,围绕机械臂抓取的位姿估计模块、控制器算法模块和目标检测模块的三大模块进行研究。本文在前人的基础上进行拓展,首先设计了系统的整体框架和流程,然后设计了系统的核心方案。本文以提高机械臂抓取速度、精度和智能程度为核心,针对以上三个模块进行了四个方面的设计。针对位姿估计模块,端到端的机械臂训练需要大型的数据集,本文采取了虚拟数据集和域适应的方法,降低了人工标注成本。根据位姿估计时相机相对于机械臂的位姿变化与否,本文设计了一种基于半自主标定的位姿估计方法,减少位姿估计参数的维度,在位姿估计精度略有提升的情况下,大大加快了系统的抓取速度。针对控制器算法模块,强化学习与传统控制各有特点。对于机械臂的控制,本文分析和比较了两种控制器算法。针对强化学习在进行机械臂控制时,随着步数的增加,机械臂末端的坐标与目标坐标的差值没有持续下降的问题,本文研究了基于误差作用下的强化学习控制器算法,将误差作用于强化学习控制器,该算法从一定程度上加快了网络收敛。针对目标分类和检测模块,为了便于测试,本文首先制作了自己的数据集。对于训练样本差异性,本文引入了样本优先级的定义,使用图片的分类损失和回归损失作为样本的优先级,针对损失较大的样本加大训练次数,从而提高了目标分类和检测模块的精度。本系统是智能抓取系统,为了实现机械臂的抓取,设计了高效率的坐标转换方法,实现待抓取目标的坐标从像素坐标系到机械臂坐标系的转换。本文为测试系统的性能,对系统各个模块进行实验,最终对系统整体进行实验,证明了设计的有效性。