无人机具有体积小、质量轻、机械结构简单、造价低廉、机动性强的优点,拥有较高的军用和民用价值。无人机在航行过程中,需要多种算法和系统进行辅助。按照任务内容,可以将无人机的软件系统分为感知、认知、决策和控制四大模块。其中感知模块主要用于获取环境信息,是无人机实现自主或半自主飞行的基础,而障碍物识别技术是感知中最为重要和基础的一环。无人机障碍物识别技术就是无人机在飞行过程中能够自主识别出障碍物并判断出障碍物距离自身机体距离的技术,该技术可极大地减少无人机飞行过程中的坠毁事故。基于计算机视觉的障碍物识别技术由于其硬件价格的优势,逐渐成为研究的热门,具有较高的研究和应用价值。本文以基于双目视觉和目标检测的无人机障碍物检测为研究目标,研究了以双目方法为主的视觉测量方法,并基于Open CV实现了双目系统的标定、校正和预处理等功能。在双目视觉方面,本文研究和对比了多种视差算法,针对现有方法存在的依赖固定窗口,对低纹理区域效果较差的问题,本文提出了一种自适应窗口的使用梯度特征的Census视差算法,提高了立体匹配的效果;在目标检测方面,研究了基于深度学习的目标检测方法,针对现有方法存在的对小目标不敏感、耗时高、网络结构复杂且计算量大的问题,本文基于无人机机载嵌入式移动平台算力有限的特点,对现有的基于深度学习的目标检测方法进行改进,通过对YOLO v3-tiny模型进行增加尺度、使用特征融合模块以及调整层数等调整,提出了YOLO v3-tiny-stronger目标检测模型。此外,本文基于某物流公司四旋翼无人机,采用NVIDIA Jetson TX2作为机载运算平台,搭配大疆N3飞控系统和小觅S2110-95/Color型双目摄像机模组,搭建了四旋翼无人机障碍物识别系统的实验平台,并实现了所需设备和算法的机载部署。在此基础上本文结合所提出的视差算法和目标检测算法,设计了基于双目视觉和目标检测的无人机障碍物识别算法流程,并设计了相关实验对本文算法进行验证。实验结果表明:在低空场景下,本文设计的无人机障碍物识别算法能够检测出无人机飞行路线上的障碍物,并实时计算出障碍物与无人机的距离。由于无人机飞行过程中前方的障碍物的实际距离无法准确测试,本文在地面状态下,对本文算法关于障碍物距离测量的准确性进行了实验验证,实验结果表明:对于10米以内的障碍物,本系统的检测误差小于5%,基本满足了无人机对障碍物识别的准确性要求。