深度学习在计算机视觉和自然语言处理领域取得了显著进展。尽管在机器人技术中使用深度学习已取得一些成功，但其尚未得到广泛应用。本文介绍了一种新颖的机器人抓取检测系统，该系统利用场景的RGB-D图像预测平行板机械夹爪对新物体的最佳抓取姿态。所提出的模型采用深层卷积神经网络从场景中提取特征，然后使用浅层卷积神经网络预测感兴趣物体的抓取配置。我们的多模态模型在标准康奈尔抓取数据集上达到了89.21%的准确率，并且能够实时运行。这重新定义了机器人抓取检测领域的最先进水平。