为解决机械臂的单物体抓取检测问题，提出了一种基于注意力机制（CBAM）的SqueezeNet网络模型。首先，对深度视觉抓取系统进行阐述，完成了抓取系统的手眼标定。采用随机裁剪、翻转、调节对比度和增加噪声等方式有效扩充了物体抓取检测数据集。其次，引入轻量化SqueezeNet模型，采用五参数法表征二维抓取框，在不加大网络设计难度的前提下即可完成对目标的抓取。再次，引入“即插即用”的带有注意力机制的网络在通道维度上和空间维度上对传进来的特征图进行加权处理，对SqueezeNet模型抓取网络进行优化改进。最后，将改进后的CBAM-SqueezeNet算法在公开的数据集Cornell grasping dataset和Jacquard dataset上进行验证，抓取检测准确率分别为94.8%和96.4%，比SqueezeNet的准确率提升了2%。CBAM-SqueezeNet网络抓取方法的推理速度为15 ms，达到了抓取精度和运行速度的平衡。将本文方法在Kinova和新松手臂上进行了试验，网络抓取的成功率为93%，速度更快、效率更高。