小型旋翼植保无人机在田间作业时,向下的旋翼气流裹挟雾滴与作物冠层相互作用,从而导致作物冠层形成一种类似涡旋的物理形态。这种类似涡旋的作物物理形态及其出现的位置,就是旋翼无人机旋翼气流对靶喷施效果的直接反映。因此,要形成气流精准对靶作业模式,提升旋翼无人机田间作业效果,就必须获取涡旋的物理形态以及同时刻作业无人机的状态参数。针对涡旋与作业无人机状态参数采集问题,本文提出了一种双机系统协同参数采集方法。对于涡旋状态参数采集,根据涡旋的物理特征和生成因素,提出了一种基于高空无人机和卷积神经网络的涡旋状态参数解析采集方法。使用一台携带无线图像传输设备的高空无人机,在作业区域的上方垂直向下拍摄作业无人机与涡旋,并将拍摄的图像数据实时回传到地面监控站。由地面监控站上运行的涡旋参数采集软件调用经过训练的卷积神经网络模型对图像进行解析。经过素材训练的卷积神经网络模型平均损失率为0.0376,IOU值为0.9326,证明得到的模型具有良好的涡旋识别能力。同时,对涡旋参数采集系统进行了实际的田间测试。对于作业无人机状态参数采集,本文设计了一种集成飞行控制系统的作业无人机状态参数采集系统,通过机载电脑直接从作业无人机的飞行控制系统中读取状态参数数据,在机载电脑上解析并汇总后,实时回传至地面监控站。同时,为了提高作业无人机的定位精度,本文基于司南K706 RTK定位板卡设计了一种高精度定位系统,通过实际测试,该系统能够提供精度为厘米级的定位数据（经度方向±0.025m,纬度方向±0.03m）。最后对作业无人机状态参数采集系统进行了实际的田间测试。在涡旋参数和作业无人机状态参数两个独立采集系统的基础上,为了实现双系统的协同数据采集,本文分别提出了一种基于ROS机器人操作系统的数据采集方法和一种基于时间戳的误差矫正方法,能够有效协同双系统进行数据采集并矫正误差。在实际的田间试验中,双系统协同并矫正误差后,以作业无人机速度-涡旋移动速度波峰到达时间为例,与协同前涡旋速度相比,其波峰提前了0.3s,提升单点准确度75%,从整体来看,系统准确度提升的平均值为25.87%。在实现双系统协同的基础上,相比于涡旋与作业无人机二维相对距离的采集方法,本文提出一种三维空间相对距离的采集和计算方法,有效的提高了涡旋与作业无人机相对距离参数的采集准确度。实际的田间试验中,双系统协同后,在10.5s时刻,提高系统准确度96.2%;在25s时刻,提高系统准确度29.7%。系统对涡旋与作业无人机相对距离测量准确度平均提高64.3%。试验结果验证了本系统能够有效的采集涡旋和作业无人机状态参数数据,能够为后续解析涡旋-无人机随动特性机理,提升植保无人机作业效果和效率提供研究基础。