在紧急救援、战场环境以及极地勘探等场景中,通常需要搭建临时通信网络以支持任务开展,移动无线自组织网络（MANET）为此提供了一个可行的方案。然而,在一些特殊的场景中,复杂的地形以及地面上各种不明障碍物会对地面中继节点之间的通信造成严重的干扰和阻隔。因此,使用无人机构建通信网络成为一种选择。相比于地面中继节点,无人机具有更快的移动速度以及更自由的移动空间,高机动性和灵活性使其能够快速部署到指定的位置。当无人机与其覆盖范围内的地面节点通信时,几乎不受地形以及地面障碍物的影响,使得网络具有更高的通信质量和通信效率。大多数情况下,在构建无人机网络时,依赖卫星定位系统提供的绝对位置信息,控制人员可以在部署之前就根据一定的策略确定无人机在中继网络中的位置坐标并完成部署。然而,当卫星定位系统由于某些特殊的原因不可用或者由于受到干扰而无法保证精度时,无人机中继网络的部署将面临巨大的挑战。因此,本文提出了一种基于相对位置信息的方案,在不依赖卫星定位系统的情况下实现了无人机中继网络部署和拓扑控制。本文的主要工作包括:（1）提出了一种基于相对定位的无人机中继网络部署和拓扑控制方案ETTGA。作为一种动态控制方案,ETTGA涵盖了无人机网络的部署、回收、拓扑控制以及无人机飞行控制等一系列算法和策略,完善了该研究领域的方法体系。对比基于绝对位置信息的两种静态部署方案:基于贪心策略的方案（Greedy）和基于遗传算法的方案（GA）,基于ETTGA部署的无人机网络在覆盖性能方面能够分别达到二者的90%和70%,而在鲁棒性以及负载均衡性方面,则远远优于两种静态部署方案。基于NS-3的网络仿真实验表明,在网络负载较重的情况下,基于ETTGA部署的无人机网络比基于GA和Greedy的网络具有更高的吞吐率和更低的丢包率。（2）在无人机飞行控制过程中引入深度强化学习框架。通过将周期性获取的相对位置信息作为强化学习模型的输入,可以实时获得无人机的飞行控制决策,从而实现无人机的自主飞行。仿真结果表明,在强化学习模型的指导下,无人机能够以100%的成功率在仅依赖相对位置信息的情况下从起始位置到达目的地。（3）研究了在存在各种干扰因素的真实环境中提高相对位置信息测量精度的问题。首先,在本文的研究场景中,为无人机的飞行过程构建了理论控制模型,然后使用扩展卡尔曼滤波算法对控制模型输出的预测数据和观察模型输出的传感器测量数据进行融合。实验结果表明,扩展卡尔曼滤波算法能够有效提升实际环境中的距离测量精度,有助于实现理论方法向真实环境的迁移。