近年来因为机器学习和深度学习的高速发展,计算机硬件水平的不断提高,人工智能开始出现在人们视野中。在世界智能化的趋势下,结合无人机领域应用,无人机执行完自主任务返航时,着陆在不规则运动的移动目标上是其中重要的一个环节。本文针对于该方向,结合现阶段无人机行业的研究情况,通过实际的调研并且开展了基于机器视觉的无人机自适应移动着陆研究课题。主要包含以下工作:(1)设计了基于深度学习的单目视觉目标识别算法及深度估计策略,解决了传统无人机跟踪均依赖于人工合作标识的问题,特别是在中远距离时,相机识别目标受人工标识大小的限制。该算法通过YOLOv3-Tiny进行小目标识别同时应用了三维信息标定检测策略判断其相对的三维位置。(2)针对于长时间跟踪问题,传统的算法的实时性并不高,而基于深度卷积神经网络算法又存在容错性较低的特点,本文提出了不规则运动下的实时跟踪算法。该算法对TLD算法进行改进,通过在检测模块和其相关流程中融合YOLOv3-Tiny算法,使其检测模块中的窗口生成部分利用深度学习的检测算法在GPU上运行,另外的在线学习模块与跟踪模块在CPU上运行,通过GPU与CPU混合处理策略,提高了 TLD算法的实时性。(3)设计了无人机移动着陆策略,在无人机中远距离跟踪算法运行至移动目标附近时开始工作。通过Apriltags识别算法进行无人机和目标位置的相对位置估算。而后通过移动目标位置预估以及基于互补融合滤波的无人机高度预估手段,输出无人机的飞行轨迹,并设计了基于无模型控制串级大疆黑盒PID的轨迹跟踪控制器。(4)建设仿真与实际的系统对本文提出的算法以及着陆策略进行验证。首先通过Gazebo与Microsoft自动驾驶仿真平台AirSim进行仿真实验,验证了本文视觉识别算法部分的可行性。紧接着在现实环境下,利用大疆Matrices 210V2平台对轨迹控制器进行验证,最后完成了无人机在静止和移动的UGV小车上着陆的功能。