El servoing visual es un método de control que utiliza retroalimentación de imágenes para controlar el movimiento de robots, y se ha aplicado ampliamente en el control de movimiento de vehículos aéreos no tripulados (VANT). Sin embargo, debido a las limitaciones del campo de visión (FOV), el servoing visual aún enfrenta desafíos, como la fácil pérdida de objetivos y la baja eficiencia de control. Para abordar estos problemas, se propone un control de servoing visual para VANT basado en el método de aprendizaje por refuerzo profundo (DRL), que ajusta dinámicamente la ganancia del servo en tiempo real para evitar la pérdida de objetivos y mejorar la eficiencia de control. En primer lugar, se establece un modelo de Markov de control de servoing visual para un VANT bajo limitaciones de campo de visión, que consiste en un quintuple y considera la mejora de la eficiencia de control. En segundo lugar, se diseña un algoritmo mejorado de red Q profunda (DQN) con una red objetivo y repetición de experiencias para resolver el modelo de Markov. Además, se diseñan dos agentes independientes para ajustar las ganancias de servo de velocidad lineal y angular con el fin de mejorar el rendimiento del control, respectivamente. En el entorno de simulación, se verificó la efectividad del método propuesto utilizando una cámara monocular.