机器人视觉伺服系统是当今机器人技术的热门研究课题之一。非线性、耦合、不确定性等因素是影响机器人视觉伺服系统性能提高的关键问题,近年来受到了国内外研究人员的广泛关注,有许多问题有待进一步的研究和解决。针对该问题,本论文开展了机器人视觉伺服系统的神经网络控制方法的研究,来提高系统的智能性、鲁棒性和动态性能。论文回顾了机器人视觉伺服及神经网络技术的发展和现状,对机器人视觉伺服系统的系统结构、坐标变换、成像原理进行了详细的描述,然后对多种形式的神经网络模型进行了研究,并将其应用在机器人视觉伺服控制系统中,用以克服机器人控制系统中非线性、耦合、不确定性等因素对控制性能的影响。基于误差反向传播网络(BP网络)逼近非线性函数的能力,本文利用BP网络逼近机器人视觉伺服系统的逆雅克比矩阵,设计了一种BP神经网络视觉控制器,使系统具有了学习能力。根据小脑模型关联控制器(CMAC)收敛速度快,适于实时控制系统的特点,本文设计了一种CMAC学习控制方法。在该方法中,CMAC被用作前馈控制器对常规反馈控制器进行补偿。利用小波变换局部特性好的特性,采用小波基函数作为神经元的激活函数,设计了一种小波神经网络视觉控制器。对提出的每一种方法本文都进行了仿真实验研究,仿真实验结果证明了所提出的各种神经网络模型具有良好的特性,在应用于机器人的控制时,都能取得很好的控制效果,是行之有效的。