本文首先介绍了机器视觉伺服系统研究的现状,经过对比分析指出了现有机器人视觉导航系统的不足之处。机器人视觉图像具有背景复杂、实时性高等特点,对图像采集及处理的实时性要求很高。基于传统奈奎斯特信号采样方法发展起来的视觉传感器不能满足这一要求。近年来出现的压缩感知理论已成为一个热门研究领域,其能够克服传统奈奎斯特信号采样方法的缺点,通过采集少量的信号值就可实现对信号的精确重构,具有采集速度快、存储量小的特点,对机器人视觉处理具有重要意义。本文基于压缩感知理论,针对机器人视觉图像重构过程中计算量太大导致的处理时间过长,处理精度不够的问题,提出了一种分块变步长自适应压缩感知重构算法。首先,对图像信号进行分块,对每个图像子块信号进行测量；接着,对每个子块测量信号进行变步长自适应匹配追踪算法进行重构计算,得到每一图像子块的重构值,并将其整合得到整幅图像的重构值；最后,对该算法进行了仿真研究。结果表明,该方法利用少数的采样及较短的时间就可以表示原信号。和传统重构方法相比,本方法具有更高的精度和更快的速度,在一定程度上满足于机器人视觉对实时性的要求。在实际的图像采集和数据传输过程中,重构图像的质量无可避免的会受到噪声的干扰,影响机器人的判断。对于含噪情形下机器人视觉图像信号的重构问题,经研究,本文提出了一种基于小波变换的分块变步长自适应压缩感知重构算法。首先,对含噪图像信号进行离散小波变换,使图像噪声达到很好的去相关性；其次,对变换后的图像信号进行分块,对每个图像子块信号进行测量；接着,对每个子块测量信号进行变步长自适应匹配追踪重构计算,得到每一图像子块的重构值,并将其整合得到整幅图像的重构值；最后,对该算法进行了仿真研究。结果表明,相比分块自适应变步长压缩感知重构算法,本方法在保证机器人视觉实时性的基础上,有效降低了噪声对图像重构效果的影响,对分块自适应变步长压缩感知重构算法应用于实践具有指导意义。