机器人视觉伺服控制是基于视觉信息的反馈控制,具备更高的智能性和灵活性。在视觉伺服系统中,相机模型和机器人模型的精确标定较为复杂、且精度易受外界环境的影响,因此无标定视觉伺服系统逐渐成为了目前的研究热点。无标定视觉伺服方法不依赖于参数值的估计精度,可以在粗略估计得到的参数值、甚至任意参数值下确保伺服任务的有效执行。论文在概括视觉伺服控制研究现状的基础上,对不同种类的视觉伺服方案进行了性能比较,并重点研究了机器人关节变量递归关系中涉及到的各种优化问题。论文在第一部分中,综述了视觉伺服控制的研究现状,指出了该领域中的一些关键问题。然后,讨论了不同视觉伺服控制方案的分类问题,并分析了各自的特征。特别地,从笛卡尔空间和图像空间中系统的稳定性、鲁棒性、敏感性以及动态性能等方面对基于位置和基于图像的视觉伺服方案进行了对比研究。在第二部分中,针对运动目标的无标定视觉伺服跟踪任务,建立了机器人末端执行器与目标特征间的一个误差性能函数,通过对该性能函数进行泰勒近似并最小化,得到了机器人关节变量的严格递归关系式。该关系式包含关节变量到图像平面的映射关系(即图像Jacobian矩阵)、以及目标性能函数展开所需要的Hessian矩阵。具体包括如下几个方面：第一,对于关节变量递归关系本身,通过引入可见性约束因子确保了末端执行器一直处于视野中；通过引入一个速度成本函数,确保了伺服跟踪的平稳性。理论上更加严谨的极值推导是此处的创新点。第二,对于关节变量递归关系中的图像Jacobian矩阵,采用割线法,对关节变量到图像平面的映射关系建立了一个鲁棒性更强的仿射模型,基于此模型并利用Broyden秩—校正规则,得到了图像Jacobian矩阵的递推关系；进一步,通过引入遗忘因子,提高了后期跟踪的收敛性。基于End-effector仿射模型的割线法应用是本文的创新点之一。第三,对于关节变量递归关系中的Hessian矩阵,借助动态BFGS法和动态Broyden族校正法,得到了基于目标函数本身估计全局Hessian矩阵逆的优化算法,大大降低了现有文献中单独考虑残差项以及仅计算局部Hessian矩阵逆情况下的计算成本,同时可解决优化过程中的奇异性问题。此处,动态BFGS法和动态Broyden族校正的采用均为本文的创新点。最后,利用Matlab Robotools工具箱搭建了一个三自由度的机械臂视觉跟踪系统,对本论文的视觉伺服优化算法进行了仿真验证,仿真实验表明了所研究方法的良好跟踪性能。