无人机自主着陆是未来无人机面向智能自主发展的关键技术之一,而视觉着陆作为惯导等传统着陆技术的辅助是当下的研究热点。传统的无人机进行视觉着陆以传统图像学和人为设计着陆图标的形式进行算法设计。这类算法设计具有两点局限性,一方面着陆图标在实际环境中并不一定总是以理想方式成像,光照变化、遮挡等情况很常见,而这单纯通过手工设计的特征提取器进行检测,其算法泛化性难以保证;另外一方面,无人机在特殊场合需要进行未知区域的迫降时,单单人为预设的合作目标着陆算法就难以胜任。针对这两点,本文对已知和未知环境下的着陆和检测跟踪技术进行研究,主要跟内容下:1.无人机合作目标着陆的研究方面,通过引入深度学习检测算法去取代传统的特征设计加上分类器的算法形式,设计了可同时检测着陆合作目标和车辆目标的Cascade R-CNN检测模型,并利用神经网络模型Cascade R-CNN检测到的车辆位置,作为下一帧图像中车辆目标跟踪算法的先验条件,逐帧使用旋转不变特征对车辆模板和全景的匹配,从而实现对车辆目标的稳定跟踪。2.在无人机合作目标的着陆情况下,先对机载相机使用张正友内参数标定算法进行标定,因为预先检测过程以及检测出具体着陆图标位置,可以对原始图像进行裁剪,在局部图上进行角点特征的提取工作,根据坐标系之间的映射和成像原理,可对无人机的实时位姿进行估计,为着陆导引提供参考。3.无人机非合作目标着陆的研究方面,通过引入深度学习语义分割算法对航拍图像进行像素级别的分类,获取具有类别信息的着陆区域,从中选择合适的类别,赋予不同优先级。同时根据当前无人机高度,估计着陆区域在图像中的成像面积,设置对应大小的着陆框,计算全景图像的邻域熵作为区域平滑性的评估参考。借鉴滑动窗口的思路,让着陆框在候选着陆区域遍历,结合邻域熵和位置信息来综合评估出最优着陆框,作为无人机在位置环境的着陆参考。