传统的基于图像的视觉伺服（IBVS）技术直接使用图像信息设计比例控制器。虽然传统方法对系统模型不确定性以及标定误差具有鲁棒性,但是,传统方法仍存在一些不足:（1）由于传统方法的稳定性仅在接近期望位姿的区域内得到保证,所以传统方法只能完成短距离的视觉伺服任务;（2）由于空间速度的耦合,传统方法对于具有旋转的视觉伺服任务的图像轨迹冗余运动严重;（3）图像雅可比矩阵存在奇异性;（4）视觉伺服模型参数不确定性;（5）图像雅可比矩阵中深度值不确定等。本文将针对传统的基于图像的视觉伺服系统中存在的图像轨迹冗余、视觉伺服模型参数不确定性、图像雅可比矩阵存在奇异性、图像雅可比矩阵中深度值不确定这四个问题展开研究。首先,本文针对图像雅可比矩阵中深度值不确定问题引入了深度估计方法,将深度估计方法应用于传统的基于图像的视觉伺服控制器中。在此基础上,使用改进的控制器为BP神经网络生成训练集数据,进而完成基于BP神经网络的视觉伺服控制器设计。因为基于BP神经网络的视觉伺服控制器设计直接使用训练集数据,所以该方法避免了雅可比矩阵奇异性问题。然后,针对图像轨迹冗余运动及视觉伺服模型参数不确定性,本文提出了一种新颖的具有时变性能边界约束的视觉伺服自适应跟踪控制方法。该控制策略利用预先给定的时变函数作为跟踪误差的边界,基于广义的受限势函数,有效地克服了标定和深度误差带来的不良影响,使跟踪误差在给定的边界范围内逐渐减小。与现有方法相比,具有时变性能边界约束的视觉伺服自适应跟踪控制方法可以有效的抑制图像平面上特征轨迹的冗余运动,从而大大降低了特征点离开视域范围的风险,故该方法可以完成长距离的视觉伺服任务。最后,为了验证具有时变性能边界约束的视觉伺服自适应跟踪控制方法的可行性和有效性,本文利用工业机器人搭建实验平台进行视觉伺服实验,通过实验验证了所提出的控制器在实际视觉伺服应用中的有效性。