近年来,多旋翼无人机因成本较低且机动性强等特点被广泛应用于各个领域,如军事搜索、火灾监控和灾后救援等。对于无人机的整个自主飞行阶段,因环境的复杂性与未知性,以及现有多旋翼无人机对着陆区地形具有较高的要求,其能否安全自主着陆成为一项挑战。现有关于无人机着陆的研究主要集中在基于合作目标的着陆,而实际任务中关于环境的先验信息往往是不可获得的,如信号丢失紧急降落等场景。因此,本文以多旋翼无人机在未知环境下的自主着陆为背景,提出了一套基于单目视觉的环境感知与着陆点搜索框架,使得无人机可以在没有环境先验信息的条件下安全自主着陆。论文的主要研究工作及结果如下:论述了当前关于无人机着陆问题的研究现状,同时分析了各解决方案的适用场景和弊端。考虑未知环境下自主着陆场景,以及无人机机载资源的有限性,分析了RGB-D相机和双目相机的局限性,进而提出基于单目相机和IMU传感器组合的解决方案,使得无人机可以自主感知周围环境,且满足实时性要求。对于单目稠密重建算法,在深度滤波器框架的基础上,提出了基于四叉树分割和高像素梯度提取的优化算法。相比于传统对全部像素进行估计和直接对输入图像降采样的处理,本文提出的改进算法可以充分利用输入图像中特征信息,并且可以满足实时性要求。同时,为使深度滤波器可以快速收敛,本文提出了一种改进的深度滤波器深度值初始化方法,将视觉惯性里程计中辅助定位的稀疏特征点云投影到每个初始化的参考帧中,基于KD树算法搜索每个待估计单元的最近邻,以此来初始化深度滤波器深度值。为获得稠密的场景深度信息,本文对滤波器输出的半稠密深度图采用基于优化的插值补全算法,进而根据原始图像纹理信息补全深度图。为验证算法的有效性,本文给出了基于ROS平台的室内外实验结果。针对无人机在未知环境下着陆的场景,相比于以往采用的三维的、全局一致的地图,提出了一种概率的、局部的、以无人机为中心的二维高程地图表示形式。同时,考虑无人机位姿估计的不确定性以及深度估计的不确定性,提出了相应的地图更新与融合算法。根据无人机实时维护的地图,提出了一套基于评分机制和均值漂移聚类的着陆点搜索算法,使得无人机始终趋向平坦区域飞行,直至找到符合要求的着陆点执行降落。为验证算法的有效性,基于ROS平台,在Gazebo仿真环境和实际场景中对所提算法进行了仿真和实验。