在智能制造与工业自动化的背景下，机械臂的智能抓取技术成为提升生产柔性与效率的关键。针对机械臂抓取场景中普遍存在的目标尺度多变、遮挡严重、背景干扰及实时性要求高等挑战，提出了一种改进的深度学习视觉识别算法。该算法以YOLOv5s为基线模型，通过引入通道注意力机制增强对关键特征的提取能力，并设计了自适应多尺度特征融合模块以提升模型对复杂场景的鲁棒性。此外，采用结构化剪枝与INT8量化感知训练对模型进行轻量化，以适应嵌入式平台的部署需求。实验结果表明，改进后的算法在自建抓取数据集上实现了94.0%的mAP@0.5检测精度。实机测试中，算法在静态、动态及密集堆叠场景下的综合抓取成功率达到94.5%。在NVIDIA Jetson Xavier NX边缘计算设备上，算法推理速度达到每秒280帧。本工作为机械臂的高精度、高实时性视觉抓取提供了一套有效的解决方案。