近年来,无人机在室内场景中的应用越来越广泛,卫星拒止以及室内场景的随机性与复杂性,对无人机的自主导航定位带来了新的挑战。为满足无人机的智能安全飞行需求,导航系统必须输出持续可靠的导航定位信息,保证位姿解算的精度和鲁棒性。视觉传感器由于感知信息丰富,已经被广泛应用在无人机的室内自主定位方案中。在未知环境下,无人机通常采用视觉里程计算法实现自身自主定位,确保飞行稳定。但在室内复杂环境中,传统的基于特征点的视觉里程计算法通过底层亮度关系进行描述匹配,抗干扰能力不足,会出现匹配错误甚至失败的情况,导航系统的精度及鲁棒性还有待提升。室内环境存在着丰富的语义信息,与传统特征点相比,高维语义特征具有良好的抗干扰能力,可以在视角、光线变化情况下稳定匹配,降低无人机位姿估计的不确定性,同时赋予无人机更加抽象的场景信息,帮助其完成更为复杂的室内导航任务。为了进一步拓展无人机的适用范围,惯性传感器作为纯自主传感器,能够在视觉不可用的情况下对传统的视觉里程计进行互补,同时提供高频率的导航信息。为此,本文结合室内飞行环境的具体约束与特点,以传统视觉里程计为基本框架,研究语义与惯性信息辅助的融合定位方法,为无人机提供导航信息,提高其定位精度与鲁棒性,解决传统视觉里程计（Visual Odometry,VO）可靠性、稳定性不足的问题。论文首先构建了一套基于语义信息辅助的视觉/惯性融合定位架构,在传统基于特征点的视觉里程计的基础上,设计了语义信息与惯性信息的融合导航方案。对基于特征点的RGB-D视觉里程计技术进行了研究,设计了无人机室内RGB-D（Red,green,blue,depth）视觉里程计框架,并对其中的特征点提取、数据关联以及位姿优化方法展开研究,通过随机采样一致算法实现了特征点匹配过程中的外点剔除,利用可拓展非线性方法实现了后端位姿优化估计,为后续的语义信息辅助以及惯性融合奠定融合框架基础。为提高相似环境下无人机室内定位的精度,论文将室内语义信息进行因子建模,并与传统VO方法进行融合,设计具有更高鲁棒性的语义VO系统。研究了基于卷积神经网络的语义信息提取方法,并根据室内环境中大量物体表面为平面的特点,提出了一种基于平面约束的语义特征提取及表示方法,并对基于连通域的结构化点云平面分割算法开展了研究。随后研究了基于语义信息辅助的导航定位技术,提出一种语义特征构建及前后帧数据关联方法,实现对语义平面特征的因子建模,并构建了相应的因子图优化方案,提高了无人机的导航定位精度。为了进一步提高无人机室内定位的鲁棒性,提升无人机视觉导航系统在动态复杂情况下的定位精度,论文在上述语义信息辅助VO的基础上,研究了基于惯性预积分约束的视觉/惯性融合定位方法。针对IMU的高频率特性,在语义特征跟踪过程中实现快速预测关联,并对惯性预积分技术进行研究,通过视觉关键帧之间惯性信息的累计,获取两帧之间相对位姿的惯性量测约束,提高系统鲁棒性。建立了惯性预积分非线性优化模型,对融合了惯性的非线性优化目标函数进行补充构建,并研究具体的优化过程及求解。所实现的惯性/视觉融合定位方法,在原算法基础上,增添了IMU量测约束,进一步提高了无人机室内定位的鲁棒性及精度。最后,论文设计了无人机室内飞行验证平台,对所提出的语义信息辅助视觉/惯性融合定位算法进行了综合验证分析,利用运动捕捉系统提供的位置参考,对所提算法的定位性能和精度进行了验证。结果表明,本文所提出的语义信息辅助的无人机视觉/惯性融合室内定位算法具有较好的精度和鲁棒性,为实现无人机在室内飞行场景下的应用提供参考。