近年来,机器人视觉在各个领域的应用逐渐广泛。传统的机器人视觉系统涉及到摄像机标定、手眼标定以及机器人坐标系标定等复杂环节,因此无标定技术在视觉机器人中受到了广泛的关注。本文主要以机械臂无标定视觉伺服系统作为研究对象,对无标定视觉伺服中的关键技术进行研究。针对多自由度机械臂,首先进行了运动学分析,并建立机械臂视觉伺服系统中的多种雅克比矩阵。结合机器人的视觉模型,引入了机械臂视觉伺服控制策略,为无标定视觉伺服(Uncalibrated Visual Servo,UVS)系统的展开奠定了理论基础。在实际的控制系统中,噪声特性的参数通常是未知的,这使得经典Kalman滤波算法的应用受到了限制。本文首先对经典Kalman Filter(KF)进行分析,通过关系推导总结出一种在噪声参数未知条件下通过对噪声参数回归估计实现卡尔曼增益自适应的方法,并作为在线估计算法应用在了基于投影单应性矩阵的无标定视觉伺服(Projective Homography Based UVS,PHUVS)和基于图像的无标定视觉伺服(Image Based UVS,IBUVS),然后在不同的跟踪任务下进行仿真实验。最后得出结论,自适应卡尔曼滤波(Adaptive KF,AKF)结合PHUVS控制策略应用在无标定视觉伺服控制系统中时,图像稳态误差、位置稳态误差和姿态稳态误差三种评价指标与标定后的系统相应接近,性能优于IBUVS。针对粒子滤波(Particle Filter,PF)在非线性系统中状态估计的优越性,本文结合KL距离(Kullback-Leibler Divergence,KLD)算法,对粒子的数目进行自适应调整,将该自适应粒子滤波(Adaptive PF,APF)作为在线估计算法,应用在了无标定视觉定位系统中,并在常见的高斯噪声和伽马噪声两种噪声作为系统噪声的条件下,对KF、AKF以及PF、APF作为在线估计算法应用在无标定视觉定位时的性能指标进行对比。通过实验分析得出结论,在系统噪声为高斯分布的假设条件下,AKF有较好的系统性能指标,在非高斯噪声条件下APF具有较好的性能。最后分析了光流检测的基本原理,结合光流估计与相机自运动信息的关系,利用卷积神经网络VSFlowNet,对相机自运动信息进行估计的同时采用AKF对手眼雅克比矩阵进行在线估计。采用Gazebo和Moveit!联合实验环境,利用未添加扰动和添加扰动两种实验环境对视觉伺服系统的响应时间和控制的精确性进行验证,最后得到了良好的系统性能。