随着无人机在民用和军事场景中的广泛应用,无人机的自主避障技术成为了领域内研究热点,它能够减少复杂环境下人为因素所引发的事故,在提高了系统鲁棒性的同时,既保障了公共财产安全,又增强了任务能力,为无人机全自主飞行提供理论支撑。本课题旨在无人机视觉避障方向上进一步研究,通过深度学习算法实现无人机环境感知,并根据景深数据为无人机提供快速通道规划,从而实现无人机自主避障功能。基于单目视觉的深度估计算法不受安装条件限制,可以更方便的实现大瞳距、远距离场景深度估计,本文通过分析单目景深估计算法Monodepth1与Monodepth2的优劣,针对目前算法生成深度图存在黑洞效应、边缘模糊等问题,提出相应的算法改进,并结合飞行通道检测算法,设计了基于单目视觉的无人机自主避障系统。系统算法主要分为单目深度估计算法与飞行通道检测算法两部分结构,单目深度估计算法Monodepth-M,通过在网络训练过程中补充生成器提取图像内结构性的能力,以双生成器相互监督提取的方式,改善了原算法生成器过度依赖于位姿估计网络以及数据集中刚性物体的情况,进而提高了生成器生成深度图效果;飞行通道检测算法,在生成深度图后,加入基于YOLOv3-SPP目标检测网络对深度图内可飞行通道进行检测并拟合避障路线,最终结合外参矩阵,将可飞行通道以及避障路线从相机坐标系下转到世界坐标系下,从而为无人机提供可靠的飞行路径规划。通过试验表明,优化后的单目深度估计算法与飞行通道识别算法受环境光影响较小,深度估计偏差较低,计算速度快,能够满足无人机飞行途中实时检测周围环境可飞行路径的需求。在预设的无人机飞行障碍物场景下,本系统生成深度图准确度和飞行路径规划效果能达到设计要求,基本满足无人机在复杂场景下应用,为后续基于单目视觉的无人机自主避障算法研究提供了理论基础。