随着制造业数字智能化浪潮的兴起,越来越多的机器人被应用于工业拆垛场景中。其中基于示教器控制的传统工业机器人由于操作简单且容易维护,当前国内许多电梯制造企业在扶梯梯级自动化拆垛场景中采用此类机器人进行相关作业。然而此类机器人需要梯级垛堆严格放置在固定的示教点,一旦由于某些因素导致梯级垛堆偏离原始示教点,则会使机器人定位失效从而致使抓取失败,极大影响自动化生产效率。目前基于机器视觉定位方法实现拆垛作业已逐步得到应用,为提升梯级拆垛机器人智能化程度,本文设计了一种基于双目视觉引导的梯级拆垛机器人空间定位与抓取方法,并对关键技术进行了研究,主要内容如下:（1）针对传统高光去除方法对梯级图像高光去除表现不佳问题,本文提出了一种基于条件生成对抗网络的梯级图像高光去除方法。该方法设计了一种空间上下文密集模块,其中密集层内嵌入SCNN模型以深度提取像素行与列之间的空间背景信息。此外,设计了一种多尺度梯度级联结构,将底层特征自下而上实现特征级联以弥补网络下采样中的尺度特征损失,并且生成器中的各分支级联特征输出与鉴别器直接相连,从而赋予了模型多尺度鉴别能力同时能够稳定训练梯度分布。在分析了经典双色反射模型基础上,将最大漫反射度估计应用于损失函数以监督网络训练。实验结果表明,本文方法在经典高光数据集和自制梯级高光图像数据集中表现均优于所对比方法。（2）针对传统Census变换立体匹配方法出现编码表达歧异问题,提出了一种基于多代价成本融合的立体匹配方法,将改进多位Census变换、RHAD颜色空间和梯度信息三方面代价通过非线性映射融合后作为新的匹配代价成本,从而解决了Census变换区域编码歧异表达问题并提高了视差精度,实验结果表明所提方法在Middlebury数据集上平均误匹配率为4.98%,优于所对比传统方法。为进一步获取更高质量梯级视差图,设计了一种基于深度学习的实时轻量级立体匹配网络模型,整个模型由双重匹配代价模块、双向成本聚合模块和金字塔拆分注意力特征融合模块构成。双重匹配代价模块通过改进多位Census方法和卷积神经网络方法生成两种不同尺度的匹配成本;双向成本聚合模块设计了一种长短分支聚合结构以生成更高质量的代价卷;金字塔拆分注意力特征融合模块对两分支代价进行融合并预测视差图。整个模型仅使用二维卷积从而避免了3D卷积成本消耗过大的问题,相关方法在KITTI 2015数据集上的三像素误差为2.76%,运行速度为0.029s,在保证时效性的同时具有较高的精度。最后对两种方法进行了梯级视差图生成效果对比实验,证明了所提网络的优越性。基于生产场景建立了视觉拆垛抓取系统并进行实验。实验结果表明系统特征点三维重建平均误差率最小为0.582%,整体拆垛成功率达到99.5%,能够应用于实际梯级垛堆拆垛环节。