由于具备体积小,价格实惠和控制稳定的优点,多旋翼无人机近十年来被逐渐广泛应用在各个领域,亦被广泛研究。其中基于单目视觉的无人机障碍规避是众多研究问题中有挑战性的问题之一,该研究对机载传感器要求低,且对于无人机小型化智能化,多传感器融合与灾备有重要意义。同时,在深度估计研究中所提出的自监督深度估计方法大幅度降低了构建数据集并训练对应场景下深度估计模型的难度,这使得基于单目深度估计的无人机避障具有高可能性。本文着手于研究基于自监督单目深度估计的无人机障碍规避方法并实现对应的原型系统。主要工作包括以下几点:（1）针对无人机户外小型障碍规避所主要关注的树林、街道场景构建数据集。基于自监督单目深度估计的原理,结合相关优化研究构建和训练相对深度估计模型,之后通过测量建立相对和绝对深度转换关系并评估估计效果。对无人机飞行样例中深度估计失效情形进行整理归纳,基于重建损失提出图像不确定度评估方法以识别估计失效情况。（2）根据硬件约束和深度估计感知特性构建前向单目无人机避障模式与该模式对应的二维随机环境,在该模式下基于人类避障经验设计可用的规则避障算法。考虑人工规则算法存在的不足,基于PPO（Proximal Policy Optimization）深度强化学习算法和随机环境构建并训练无人机避障策略。另针对策略训练完成后可能出现的陷入局部最优区域的情况,增加基于策略的临时目标法提高逃逸可能。（3）对于仿真环境,基于Airsim构建与真实环境约束匹配的仿真验证环境,仿真环境中的实验显示本文提出的避障方法可有效进行无人机水平避障导航,构建的强化学习策略具备高避障导航能力。对于真实环境,根据系统需求以RESTful服务形式组建可扩展的感知、计算、控制无人机链路,设计实现对应的移动端和服务端应用。在真实环境下的实验表明该方法与对应的原型系统可以有效地规避不同类型的小型障碍并可在典型的多障碍场景树林中做持续避障行进。