机器人视觉伺服是图像处理、机器人运动学、机器人动力学、控制理论、计算机技术以及实时计算等领域的融合,是计算机视觉研究前沿的一个重要分支。机器人视觉伺服也是一个具有重要理论研究意义和广阔工业应用前景的基础性课题。根据视觉反馈信号的表现形式可以将机器人视觉伺服系统分为基于位置的视觉伺服和基于图像的视觉伺服两种方法。其中基于图像的视觉伺服因其结构简单、对系统标定误差具有一定鲁棒性等优势,在实际系统中广泛应用。在基于图像的视觉伺服系统中,图像雅可比矩阵被用来描述机器人手眼关系,是整个系统的一个重要环节。传统的图像雅可比矩阵获取方法是将摄像机标定参数带入解析式求解。但由于标定算法不可避免存在误差、对环境变化敏感、以及某些特殊场合难以实施等原因,该方法在实际系统中应用很有限。因此,探讨如何在无标定环境下精确求解图像雅可比矩阵成为一项非常有意义的工作。针对这一事实,本文做了相关探索。具体工作如下：首先,系统回顾了现有的图像雅可比矩阵无标定求解方法,总结了各自的优缺点,并详细介绍了其中一种比较理想的求解方法——基于卡尔曼滤波(KF)的图像雅可比矩阵在线估计,并通过仿真和实际机器人实验验证了该方法的有效性。针对卡尔曼滤波需要对实际系统进行线性-高斯近似,本文在图像雅可比矩阵无标定求解中引入粒子滤波。首先从其演变过程简单介绍了粒子滤波,并通过线性-非高斯的2维运动目标模型,验证了粒子滤波的优势,最后将粒子滤波用于图像雅可比矩阵的在线估计当中,通过仿真实现了机器人对运动目标的精确跟踪,并分析了使用粒子滤波在线估计图像雅可比矩阵存在的问题。针对实际系统噪声非高斯且统计特性未知,本文在图像雅可比矩阵无标定求解中引入鲁棒信息滤波器(RIF)。首先简单介绍了RIF估计状态的原理及其对系统噪声的鲁棒性,并通过仿真验证了该方法对KF的优势,最后将RIF用于图像雅可比矩阵的在线估计当中,通过仿真和实际实验完成了机器人对运动目标的精确跟踪。