无人机具有机动灵活、成本低廉、操作方便的特点,在侦查、测绘等各种军民用领域得到了广泛应用,并逐渐替代人工执行任务,降低人员安全风险,同时扩大任务可达空间。无人机在执行任务过程中稳定安全的轨迹跟踪是顺利完成任务的基础,需要进一步研究和优化。本文以四旋翼无人机的轨迹跟踪及安全避障为研究背景,对四旋翼无人机数据驱动动力学建模、轨迹跟踪和安全避障等问题展开研究,主要工作包括:针对四旋翼无人机旋翼绕流复杂导致难以精确建立动力学模型的问题,建立了基于特殊三维欧式空间（Special Euclidean Group,SE3）下哈密顿力学原理的四旋翼无人机动力学模型。首先,给出了相关李群李代数基础,阐明了在SE3空间下各种基本变换关系和定义;其次,推导基于牛顿-欧拉法的四旋翼动力学模型,描述了旋翼气动推力和两种常见的复杂空气动力学效应,阐明了传统建模方法的困难;再次,基于哈密顿力学框架对四旋翼无人机动力学进行重新描述,并结合李群李代数将其变换到SE3空间,使动力学模型满足严格的运动学约束和总能量约束;最后,将系统参量及各种附加干扰用矩阵归纳表示,使各项参数和控制量映射便于表达,为后续数据驱动建模提供理论基础。采用微分神经网络并结合上述哈密顿动力学系统下四旋翼无人机的动力学描述,构建数据驱动动力学模型,可以利用数据训练得到四旋翼无人机的精确动力学模型。针对一般神经网络数据拟合模型的“黑箱”、不可解释且可靠性无法保障的局限,首先,应用神经网络表示哈密顿系统中惯量矩阵、势能矩阵及控制映射输入矩阵,得到哈密顿动力学模型架构的网络化表示;其次,考虑到系统状态微分难以获取导致难以通过数据集直接监督训练,采用四阶龙格-库塔微分求解器,基于哈密顿微分网络框架获得系统后续时刻状态,并利用数据集进行监督训练,得到系统各项矩阵的近似逼近;最后,通过仿真,证明了所提框架对运动学及动力学约束的良好符合性,实现了对系统动力学行为的长期、精确预测。将基于数据驱动模型的四旋翼的运动控制任务,描述为模型预测控制（Model Predictive Control,MPC）问题,实现同时运动规划与轨迹跟踪。针对数据驱动模型难以用传统序列二次规划（Sequence Quadratic Programming,SQP）方法进行梯度求解的问题,采用交叉熵算法（Cross Entropy Method,CEM）进行最优控制量求解;通过生成随机动作序列,并按照指标函数筛选最优轨迹,得到当前状态下近似最优动作序列,从而避免了求解梯度,且不需要系统满足严格凸优化约束,实现了基于数据驱动模型的MPC问题最优控制量求解。仿真证明了基于数据驱动模型的MPC能够实现对四旋翼无人机平滑或非平滑路径的稳定平滑轨迹跟踪。针对无人机飞行时轨迹上出现障碍物需要避障的需求,在MPC得到最优控制量的基础上,采用屏障控制函数进行约束并附加修正,实现了四旋翼在轨迹跟踪过程中对静态和动态障碍物的规避。将四旋翼动力学改写为仿射控制形式,并针对四旋翼的动力学特性,以李雅普诺夫控制理论为基础,推导得到四旋翼系统的二阶指数屏障控制函数,并将最优控制和屏障控制函数约束构建为二次规划问题进行修正控制量求解,实现最小控制扰动的安全控制量约束。仿真实验验证了该方法能够在轨迹最小偏离情况下实现对静态和动态障碍的实时躲避,保证无人机飞行安全。