无速度传感器控制技术的发展始于常规带速度传感器的传动控制系统，解决问题的出发点是利用检测的定子电压、电流等容易检测到的物理量进行速度估计以取代速度传感器。
在近20年来，各国学者致力于无速度传感器控制系统的研究，重要的方面是如何准确地获取转速的信息，且保持较高的控制精度，满足实时控制的要求。无速度传感器的控制系统无需检测硬件，免去了速度传感器带来的种种麻烦，提高了系统的可靠性，降低了系统的成本；另一方面，使得系统的体积小、重量轻，而且减少了电机与控制器的连线，使得采用无速度传感器的异步电机的调速系统在工程中的应用更加广泛。
（1）动态速度估计法 主要包括转子磁通估计和转子反电势估计。都是以电机模型为基础，这种方法算法简单、直观性强。由于缺少无误差校正环节，抗干扰的能力差，对电机的参数变化敏感，在实际实现时，加上参数辨识和误差校正环节来提高系统抗参数变化和抗干扰的鲁棒性，才能使系统获得良好的控制效果。
（2）PI自适应控制器法 其基本思想是利用某些量的误差项，通过PI自适应控制器获得转速的信息，一种采用的是转矩电流的误差项；另一种采用了转子q轴磁通的误差项。此方法利用了自适应思想，是一种算法结构简单、效果良好的速度估计方法。
（3）模型参考自适应法（MRAS） 将不含转速的方程作为参考模型，将含有转速的模型作为可调模型，2个模型具有相同物理意义的输出量，利用2个模型输出量的误差构成合适的自适应律实时调节可调模型的参数（转速），以达到控制对象的输出跟踪参考模型的目的。根据模型的输出量的不同，可分为转子磁通估计法、反电势估计法和无功功率法。转子磁通法由于采用电压模型法为参考模型，引入了纯积分，低速时转子磁通估计法的改进，前者去掉了纯积分环节，改善了估计性能，但是定子电阻的影响依然存在；后者消去了定子电阻的影响，获得了更好的低速性能和更强的鲁棒性。总的说来，MRAS是基于稳定性设计的参数辨识方法，保证了参数估计的渐进收敛性。但是由于MRAS的速度观测是以参考模型准确为基础的，参考模型本身的参数准确程度就直接影响到速度辨识和控制系统的成效。
（4）扩展卡尔曼滤波器法 将电机的转速看作一个状态变量，考虑电机的五阶非线性模型，采用扩展卡尔曼滤波器法在每一估计点将模型线性化来估计转速，这种方法可有效地抑制噪声，提高转速估计的精确度。但是估计精度受到电机参数变化的影响，而且卡尔曼滤波器法的计算量太大。
（5）神经网络法 利用神经网络替代电流模型转子磁链观测器，用误差反向传播算法的自适应律进行转速估计，网络的权值为电机的参数。神经网络法在理论研究还不成熟，其硬件的实现有一定的难度，使得这一方法的应用还处于起步阶段。
