视觉伺服控制技术已经广泛应用于机器人领域,能够使得机器人系统更加灵活和快速。视觉伺服控制方法使用图像特征作为反馈信号并设计控制律,将计算得到的控制信号用来驱动机械臂的运动,通过使用视觉信息来引导机械臂到达期望的位姿。反馈控制的优势在于,它对系统中存在的各种误差具有一定的鲁棒性。很多传统的视觉伺服控制方法没有考虑系统中存在的约束问题,视觉伺服控制系统常常面临目标可见性约束和执行器饱和约束等问题,预测控制的显著优势之一就是能够显式处理约束问题,因此,研究基于预测控制的约束视觉伺服控制方法具有重要意义,本文使用预测控制方法对基于图像的约束视觉伺服控制进行了更深入的研究。本文研究的对象是单目eye-in-hand和eye-to-hand视觉系统,首先建立了基于深度独立雅可比矩阵的视觉伺服运动学预测模型,设计了带有终端集约束的视觉伺服预测控制方法,能够处理控制系统的输入输出约束,并通过在视觉伺服预测控制的约束优化问题中加入终端集约束和终端代价函数,分析了视觉伺服控制系统的稳定性。现有的大部分基于预测控制的视觉伺服方法没有考虑视觉伺服系统中存在的无标定问题,摄像机的标定是一个繁琐且易于出错的过程,并且对于单目视觉系统,深度参数信息也难以获得。因此,本文提出了基于自适应预测控制的视觉伺服控制方法,能够同时处理系统约束问题,和未知摄像机内外部参数和未知深度信息问题。在深度独立雅可比矩阵框架下,提出了一种新的参数估计算法,将参数估计算法和预测控制器结合,在每一采样时刻,参数估计算法使用最新的系统输入输出量来更新未知模型参数,同时预测控制器采用最近更新的模型参数来计算得到最优控制量。仿真结果表明,当使用预测控制方法控制带有未知参数的系统时,参数辨识算法是处理未知模型参数的一种有效手段。对比仿真实验验证了在约束和无标定环境下所提控制方法的有效性。视觉伺服系统的控制精度不仅受模型不确定性的影响,外部干扰也会影响控制系统的性能。因此,为了提升约束视觉伺服控制系统的抗干扰能力,本文提出了基于自适应干扰观测器和自适应预测控制的视觉伺服控制方法,该方法能够同时处理约束问题、模型不确定性问题和干扰问题。所提控制方法包括两部分,分别为基于自适应干扰观测器的前馈补偿部分和基于自适应预测控制的反馈调节部分。并且本文提出了一种自适应干扰观测器,传统干扰观测器是基于被控对象的固定标称模型设计的,和传统干扰观测器不同的是,所提的自适应干扰观测器是基于被控对象的估计模型设计的,使用深度独立图像雅可比矩阵构建被控对象的估计模型,有利于促进被控对象估计模型的更新。迭代辨识算法参与到自适应预测控制器中提供模型参数给自适应干扰观测器和自适应预测控制器,用来减小模型不确定量和干扰观测器对被控对象动态性能的影响。仿真结果表明所提方法能够取得令人满意的控制性能。大部分视觉伺服控制方法没有考虑系统约束问题,或者只在运动学层面考虑系统约束问题,并且大部分基于预测控制的视觉伺服方法虽然考虑了系统约束问题,但是没有同时考虑机械臂非线性动力学问题和模型不确定性问题。因此,本文提出了基于滑模观测器和自适应预测控制的视觉伺服动力学控制方法,能够在无关节角速度量测的情形下,同时处理系统约束问题,模型不确定性问题和机械臂非线性动力学问题。所提控制方法能够同时应用于eye-in-hand视觉系统和eyeto-hand视觉系统。