针对矿用智能巡检机器人无标定视觉伺服控制中采用基于传统的卡尔曼滤波(KF)的图像雅可比矩阵存在估计值不准确、鲁棒性差的问题，提出了一种具有长短期记忆(LSTM)的卡尔曼滤波算法(KFLSTM算法)。KFLSTM算法使用LSTM弥补由KF算法产生的估计误差，将滤波增益误差、状态估计向量误差、观测误差用于LSTM的在线训练，利用训练后的LSTM模型对雅可比矩阵进行最优估计，通过提高雅可比矩阵估计值的准确性和稳定性来改善视觉伺服控制的实时性和鲁棒性。建立了基于KFLSTM算法的无标定视觉伺服模型，将最优雅可比矩阵作为控制器的输入，使控制器输出较准确的关节角速度，从而控制机械臂的实时运行。将KFLSTM算法应用到矿用智能巡检机器人六自由度视觉伺服仿真实验中，结果表明：应用KFLSTM算法得到的图像误差收敛速度相较于传统KF算法提高了100%~122%，图像特征误差更小，定位精度为0.5像素，且机器人末端执行器运动平稳，具有较强的抗噪声干扰能力，可有效提高矿用智能巡检机器人的作业精度与效率，并增强其工作的稳定性与安全性。