随着陆地资源的枯竭,水下资源的探索开发显得愈发重要。相比于使用刚体机械臂作为水下探索工具,软体机械臂对于水下环境而言更加友好。然而软体机械臂在水下环境中的几何构型十分复杂,且水下环境中缺乏对机械臂姿态的观测设备,给水下软体机械臂的控制带来了巨大的挑战。本文以水下软体机械臂为研究对象,设计水下立体视觉反馈系统对水下机械臂的姿态进行实时观测,此外,本文设计了无模型控制方案对软体机械臂进行控制。针对水下相机图像畸变导致无法准确获取软体机械臂末端执行器位置的问题,本文结合防水罩的形状,建立了一种新的水下相机成像模型,然后根据该成像模型推算出水下图像校正公式;同时,在校正后图像的基础上,本文完成了对软体机械臂末端执行器位置三维坐标的检测任务;并通过三维坐标测量实验证明水下位置测量结果误差在1 mm以内,为后续软体机械臂的控制提供了精确的反馈。针对传统软体机械臂运动学模型无法描述水下流体介质中的软体机械臂运动的问题,本文提出了基于直接逆运动学的水下无模型控制方法,通过人工神经网络学习水下环境中软体机械臂的控制量-末端执行位置的直接逆映射,然后以该人工神经网络模型构建控制器,实现对水下软体机械臂的实时控制。针对基于直接逆运动学无模型控制方法解算的控制量部分不属于机械臂可行驱动空间的问题,本文采用长短期记忆网络建立描述水下软体机械臂非平稳状态的正运动学模型,并创造性地提出将正运动学模型与直接逆运动学控制器联合训练的目标导向学习方法,实现对人工神经网络控制器参数的调整,从而优化了直接逆运动学控制器的解。轨迹跟踪实验证实基于目标导向学习的水下无模型控制方法的平均绝对值误差在8 mm以内,相比于基于传统软体机械臂运动学模型的控制,误差降低了40%以上,大幅度地提高了软体机械臂末端执行器的控制精度。实验结果表明,本文所提出的图像校正与无模型控制方法能够有效克服水体对软体机械臂构型及测量装置的影响,完成了水下软体机械臂的姿态反馈与控制任务,为实现水下软体机械臂自动化探索提供了保障。