旋翼无人机广泛的应用于人类生活的各个场景,航拍、救援、影视拍摄、电路检修等等。提高旋翼无人机自主避障飞行的能力,是无人机安全飞行的关键要素。环境感知和旋翼无人机的自主飞行,也一直是该行业的研究热点。传统避障算法研究的关注点在于准确的获取与障碍物之间的距离上,与之不同的是,我们仿照动物的快速视觉避障,使用单目相机,通过预估稠密的碰撞时间信息,建立局部的概率地图,从而达到无人机避障的效果。使用碰撞时间信息,综合考虑了与障碍物之间的距离信息、方向信息以及无人机此刻的运动信息,能够统一的处理动态和静态的障碍物,为后续的避障算法提供了更加丰富的信息。设计和实现了基于深度学习的稠密碰撞时间生成算法,该算法能够输出每一个像素的碰撞时间。该部分主要有以下创新点:在网络结构中,卷积结构部分,我们通过引入关联层,进行高层特征的匹配,增强网络的关联性;反卷积部分,设计多层金字塔的输出模式,与损失函数相关联,通过设置各层权重,保证了网络模型最终输出的准确性,同时加速网络的训练过程;在网络训练中,采用仿真数据预训练的模式,解决了数据集缺少的问题。设计与实现了基于碰撞时间的局部概率地图生成算法。该部分包含两个创新点,快速查询算法以及服务于该查询算法的数据结构。查询算法能够在历史测量帧中快速的查询包含当前视角内各个点的相关测量帧,以及相应的不确定性,随后综合评估当前帧中各个点的不确定性,确定最终的可通行区域。数据结构是采用边和顶点对组成的双链表线性结构,其中边表示相应的两个顶点间的变换关系和不确性的传播关系,同时能够方便的插入和删除相应的边和顶点。设计和实现了一个基于Unreal（虚幻）引擎的旋翼无人机自主导航验证测试仿真平台。该平台能够实时模拟旋翼无人机的运动和传感器数据的生成,同时提供高逼真度的复杂视觉场景,方便数据的采集和算法验证。利用仿真平台,在不同的视觉场景中,通过与碰撞时间真值作比较,测试了稠密碰撞时间时间网络模型的输出效果;随后,使用仿真场景验证局部概率地图的避障效果,最终取得了较好的成果。