近年来,随着社会的进步和技术的发展,无人机受到了空前重视并且发展迅速。多旋翼无人机由于具有成本低、体积小、重量轻、可空中悬停、机动灵活等特点,被广泛的应用于诸如单兵侦查、地形测绘、电力巡线、农业植保、污染检测等社会生活的各个领域。随着旋翼无人机在军用和民用领域使用越来越广泛,对旋翼无人机的要求也越来越高,特别是在执行低空任务时,要求无人机具备障碍感知和规避能力。本文对无人机对障碍的感知和规避问题进行了研究,利用深度学习领域中的卷积神经网络技术处理无人机所获取的图像,得到无人机所看到的图像中的各种目标;再利用双目原理获取目标相对于无人机的位置;最后根据以上信息控制无人机对环境中的障碍进行规避,成功完成预定任务。本论文完成的主要工作以及贡献如下:(1)论文对比了两类无人机视觉障碍检测方法:基于特征点的障碍检测算法和基于卷积神经网络的障碍检测方法,阐明了基于深度学习的障碍检测算法具有更加广泛的适用性。利用基于深度学习原理的目标检测技术检测无人机所获取图像中的障碍物,使得无人机能够从图像中获取丰富的信息,提升了无人机对环境的感知和理解,能够满足实时避障的要求。(2)论文基于无人机视觉障碍检测结果,提出了一种匹配左右双目图像中的障碍检测结果来获取目标视差,进而计算目标深度的方法。相较于传统的双目深度估计算法,该方法只需要根据目标检测结果做简单的匹配,即可获取目标的深度信息,不需要进行计算量大、复杂的双目匹配。论文通过实验验证了提出的深度估计方法的可行性和实用性。(3)论文在ROS框架下实现了基于深度学习的多旋翼无人机双目视觉避障算法。基于Gazebo平台搭建了仿真环境,并仿真验证了算法的可行性。在仿真结果的基础上,集成Pixhawk飞控、ZED相机以及TK1处理器等器件搭建了实物平台并进行了实物飞行验证。