现如今,旋翼无人机广泛应用于社会生活的不同领域,例如航拍,植保、探测、侦查等。避障是无人机飞行的一个研究重点,其主要通过采取不同的传感器检测其周围环境中的障碍物,并采取一定的避让措施,保证无人机的飞行安全。深度学习是如今科学技术领域最热门的话题之一,基于深度学习理论的研究也层出不穷,本文主要研究基于协同学原理构建的深度协同神经网络,相对于传统的协同神经网络性能有了很大提升,相比目前热门的深度神经网络,网络模型更小,识别速度更快。并提出适用于该网络的检测与识别方法,将其应用于无人机避障系统的设计,实现无人机对周围环境的认知、障碍物避让,保障无人机飞行的安全。首先,本文介绍了协同学理论的基本思想和关键概念。接着介绍了基于协同学理论的的神经网络模型:协同神经网络。阐述了协同神经网络的数学模型、结构模型和运行流程,详尽的说明了协同学和协同神经网络的各项特性。并以协同学原理和传统深度神经网络的模型结构为基础结合PCA算法,构建深度协同神经网络,并详细描述了深度协同神经网络的模型结构、运行过程和算法步骤。为后续研究适用于深度协同神经网络的检测与识别算法提供了充分的理论支持。其次,本文分析了传统的滑动窗口检测方法,以及以Faster-RCNN为代表的,基于卷积神经网络的区域提名检测方法的发展历程,且详细介绍了无需区域提名端到端的检测识别算法YOLO以及SSD,并通过分析与总结以上算法的优点,提出了一种适用于深度协同神经网络的检测识别方法,并制作了障碍物样本库,利用样本库对算法性能进行分析验证。最后,基于上述理论与实验,设计了基于深度协同神经网络的无人机避障系统,给出了不同情形下的避障方案,并对无人机实际飞行进行了避障测试,验证了本系统的实用性和有效性。