精准而灵活的机械臂被广泛地应用到工业制造中,机械臂能够执行装配作业、物体抓取、人机交互、碰撞检测和避免等任务。近年来,基于视觉的机械臂控制受到了越来越多的关注,与使用特定传感器的传统系统相比,视觉系统具有更大的信息量,更加灵活,能够适应复杂多样的任务。基于视觉的机械臂控制系统能够根据视觉信息对机械臂进行控制,并且可以进一步地实现机械臂的抓取。而对于自动化的机械臂抓取和操纵,知道机械臂的当前位姿对于良好手眼协调的实现至关重要。基于上述背景,结合实际应用,本文设计并实现了基于深度学习的机械臂位姿估计系统,旨在让生产线更加智能化。本文工作可总结如下:（1）研究卷积神经网络的各个组成元素及其经典架构,梳理了深度神经网络的网络优化方法、参数初始化和网络正则化方法。介绍了卷积神经网络压缩与加速相关的研究,从剪枝、知识蒸馏、紧致网络设计这三个方面分别进行梳理和总结,最后选择紧致网络设计的方法来压缩机械臂位姿估计模型。（2）针对现有机械臂位姿估计方法参数量和计算量过大的问题,以堆叠沙漏网络（Stacked Hourglass Network,SHN）模型为基础,引入轻量的Ghost模块和基于异构核的卷积（Heterogeneous Kernel-Based Convolution,Het Conv）模块,提出基于深度学习的机械臂位姿估计方法:Ghost-SHN和Het Conv-SHN。该方法构建了具有两个堆的SHN,Ghost-SHN使用Ghost模块来替换SHN的标准卷积,Het Conv-SHN使用Het Conv模块来替换SHN的标准卷积。四个典型数据集上的实验结果表明,与现有的机械臂位姿估计方法相比,Ghost-SHN、Het Conv-SHN不仅减少了参数量和计算量,而且泛化性能很好,取得了比SHN更好的精度,能够更好地在机械臂上进行部署。（3）实现了基于深度学习的机械臂位姿估计系统的总体构建,通过相关实验分析和实际应用证明了该视觉系统存在一定可行性和应用价值。