六自由度位姿估计作为三维空间感知的关键技术，广泛应用于机器人抓取、自动驾驶和智能制造等领域。针对RGB-D图像的六自由度估计，如何深度融合RGB图像的语义信息和深度图像的几何信息仍是一大挑战。现有方法大多采用双流网络或特征拼接策略，采用先独立处理各模态数据再融合的策略，但因缺乏跨模态的特征对齐机制，导致语义-几何信息耦合不足，限制了估计精度。为此，提出了一种基于多模态融合与球面采样的位姿估计框架—SpherePose。该方法首先基于Icosphere实现均匀采样，生成多样化初始位姿假设；然后，引入基于多模态特征融合的位姿优化模块，对初始位姿假设进行迭代细化，联合RGB图、深度图和三维坐标图提升位姿估计精度；最后设计具备双重注意力与分层排序机制的位姿评分网络，筛选最优位姿。在BOP基准测试中，提出的方法在LineMOD和YCB-Video数据集上的ADD(s)-0.1d和ADD-s AUC指标分别达到99.8%和97.7%，显著优于对比方法，展现出更高的准确性与鲁棒性。综上，整体框架为多模态融合与姿态筛选提供了一种高效且可靠的解决方案，提高了6D位姿估计精度。