近年来无人机应用领域不断扩大,无人机执行的任务也越来越复杂,对于无人机定位系统的要求也越来越严格。传统的依靠全球定位系统(Global Positioning System,GPS)定位的方案难以满足无人机的定位需求。针对这一问题,本文通过融合多种感知信息对无人机定位算法及定位系统展开研究,主要内容包括如下三个方面:1)针对惯性导航累计误差大的问题,提出了基于BP神经网络的无人机速度预测算法。通过对无人机动力学分析,推导了无人机状态量之间的关系,构建了无人机速度与姿态、加速度、角速度和控制量之间的BP神经网络结构,实现了融合多种无人机状态数据对无人机速度预测的算法,提高了无人机速度测量精度,进而提高了无人机定位精度。2)研究了IMU辅助下的机载激光雷达定位算法。通过融合IMU获取的姿态角信息,实现无旋转的激光雷达扫描点云的获取;对获取的无旋转扫描点云进行环境特征提取,通过直线拟合算法,实现了激光点云数据中特征直线与特征点的提取;通过环境特征的匹配,加速了匹配速度,减少了系统资源的占用,实现了无人机在室内等结构化环境中的高速精确定位,为无人机在室内等结构化环境中自主定位提供保障。3)为了有效融合多种感知信息数据,提出了一种基于时间戳排序更新的多滑动窗分类自适应无迹卡尔曼滤波方法,实现无人机在多变环境下定位数据的精确和稳定输出。其中采用时间戳排序更新方法,避免了多种数据融合时的时间对齐问题;采用多个滑动窗口的噪声估计方法,实现多种传感器的噪声估计;通过传感器数据分类方法,有效处理时变噪声引起的滤波器不稳定性问题。通过仿真和实际多种环境下的实验,验证了上述技术和所研发的原型系统的可行性与可用性。