特征的设计与选取是机器人视觉伺服研究领域中的热点和关键技术之一,是计算机视觉与机器人伺服控制的结合领域。近年来,深度学习在计算机视觉领域得到了成功的应用,其中,基于深度学习的图像特征提取技术是一个重要的研究方向。本文以视觉伺服为背景,针对视觉伺服中的特征设计问题,提出一种基于深度学习的特征提取方法。针对视觉伺服中的模型依赖问题,应用本文提出的特征提取方法,并将卡尔曼滤波方法应用于系统模型在线估计,实现了无标定伺服跟踪控制。本文的主要工作包括:(1)提出一种基于深度学习的关键点检测方法,方法包括构建关键点数据集,设计多尺度关键点检测网络,设计关键点目标函数。该方法结合深层卷积网络和多尺度递归卷积网络,相比其他方法能得到可重复性更高的关键点,以应对视觉伺服中不断变化的场景。(2)提出一种基于深度学习的关键点特征提取方法,该方法可以提取关键点局部特征用于匹配。该方法使用卷积网络结构,先基于孪生网络结构预训练,再调整为三元网络结构继续训练以提高精度。和其他方法的特征匹配结果显示,基于深度学习的特征相比传统特征的匹配效果更好,更适合视觉伺服任务。(3)针对视觉伺服中的模型依赖问题,应用卡尔曼滤波方法在线估计图像雅可比矩阵,将机器人任务空间中的运动映射到图像特征空间,然后根据图像特征误差直接计算机器人控制量,实现无标定视觉伺服控制。基于该策略的双目无标定视觉伺服系统的仿真结果表明,方法的动态特性好,稳态误差小,满足无标定视觉伺服控制的要求。(4)基于工业机器人平台和工业相机,构建了一个双目视觉伺服系统,并应用所提出的视觉特征提取方法和无标定视觉伺服控制策略,实现了无标定视觉伺服跟踪。实验结果验证了所提出方法的有效性。