随着无人机技术的逐渐成熟,越来越多的领域开始引入无人机参与工作。无人机的使用成本低,环境适应能力强,适合运用在救灾抢险、森林灭火等较危险条件下。无人机能够顺利执行空中任务的前提是对自身位置准确的定位,传统的导航技术主要依赖全球定位系统(GPS)或是惯性导航系统。但是全球定位系统常常会受到工作环境的限制,且GPS由美国控制,在国防领域可靠性和保密性较差;而惯性导航系统由于存在累积误差,无法保持长时间的精确定位。利用视觉感知方式对无人机进行辅助定位和导航日渐成为一种常用的导航方式,但由于往往需要对地标进行专门设计,目前现有的视觉定位方式鲁棒性较差。因此,研究一种新的无人机视觉定位方式具有重要意义。本文基于深度学习和PnP技术研究了一种无人机视觉定位的方法,研究内容如下:(1)针对相机可能存在的畸变,结合相机模型对其进行标定,得到相关内部参数和畸变系数,消除由畸变带来的误差。(2)针对当前视觉定位算法对于地标的高要求,分别训练YOLOv2和Faster RCNN两种模型执行地标检测任务,实现了在图像中对二维地标关键点更加鲁棒的识别和定位。针对YOLOv2检测精度较低的问题,通过修改损失函数进行改善。针对Faster RCNN对不同尺度目标检测效果不一致的问题,结合多尺度训练策略对其进行提升。通过对比改进后的YOLOv2和Faster RCNN模型的检测效果,说明了Faster RCNN改进模型的优势。(3)为了加快无人机视觉定位的速度,结合迁移学习方法,设计了一种简化的Faster RCNN模型。与改进前相比,简化模型在地标图像检测效果上无明显差异,但检测速率有了较大提升。(4)最后,根据地标图像的检测结果,设计了一种基于目标检测和PnP技术的定位算法,算法利用检测得到的地标图像坐标和对应的世界坐标,通过PnP解算,得到无人机的坐标。通过对无人机进行室内飞行实验,验证了算法的可行性,定位精度满足预期要求。