具备操作能力的服务机器人已成为机器人领域的研究热点，在航空航天、军事、助老助残以及家庭服务等领域具有广泛的应用前景。对机器人抓取操作任务来说，抓取位置检测具有重要的地位，是保证抓取成功的关键一环。本文主要面向服务机器人的抓取位置智能检测开展研究，主要内容如下：

首先，介绍了操作服务机器人的研究背景与意义，对目标检测、目标分割、抓取位置检测三方面的研究现状进行了综述，并对论文的内容结构和结构安排做了说明。

其次，开展了基于深度学习的目标检测方法与目标分割方法的选取。分析了Faster R-CNN与YOLO两种目标检测方法，以检测精度和速度为指标在自建数据集上进行了测试，选择满足实时性要求且精度较高的Faster R-CNN作为后续多任务深度卷积神经网络的研究基础。同时，开展了FCN和GCN两种目标分割方法在VOC2012、Cityspaces、COCO2014数据集上的精度对比实验，选择精度较高的GCN作为后续研究的基本目标分割框架。

第三，针对级联目标检测卷积网络和抓取位置检测卷积网络的抓取位置检测方法处理时间较长的问题，提出了一种基于多任务深度卷积神经网络的抓取位置智能检测方法。所提方法在Faster R-CNN目标检测模型基础上加入两点回归器，并设计多任务损失函数作为所用深度卷积神经网络优化的目标函数，从而实现通过一个深度卷积神经网络同时完成目标识别、定位、抓取位置检测三个任务。所提方法的有效性通过在自建数据集、Kinect拍摄图像以及机械臂上的实验进行了验证。

第四，为了解决全局语义分割方法处理速度较慢的问题，将轻量级网络和注意力机制融入全局卷积语义分割网络中，提出了一种基于改进全局卷积语义分割的抓取位置智能检测方法。所提方法利用轻量级网络替换全局卷积语义分割中的残差网，并添加空间和通道注意力机制对轻量级网络的输出进行自适应调整，进而结合重心法和主成分分析，实现对目标物体上可抓取位置的检测。在COCO2014数据集、Kinect拍摄图像以及机械臂上的实验结果表明所提方法能够有效从环境中分割出目标物体并检测出可抓取位置。

最后，对本文工作进行了总结，并指出了需要进一步开展的研究工作。