视觉导航是一种重要的自主导航方式。在GPS失效情况下，视觉导航作为有效的辅助导航方式，对无人机惯性导航系统实现长航时高精度导航起着重要的作用。由于视觉成像受复杂自然环境及飞行状态的影响，视觉导航面临鲁棒性差的问题。本文对复杂环境下视觉导航中景象匹配导航和基于序列图像的运动估计中的关键技术展开较为系统深入的研究。主要贡献如下：1.针对景象匹配中人工选取航路点费时、费力、受主观因素影响，很难满足实际应用的问题，提出了基于显著性分析的航路点自动选取算法。该方法首先将稀疏低秩分解和稀疏编码相结合，实现航拍图像的显著结构区域的检测；然后，基于显著性分析结果实现了航路点正负训练样本的自动获取，并提取训练样本的边缘和互相关面的4个特征训练SVM分类器参数；最后，利用SVM分类器对样本图像进行航路点与非航路点的分类。用Google Earth软件获取实验样本作为航拍图像，进行SVM分类器的设计与测试，测试结果表明平均分类精度为93.33%。利用谷歌下载器获取包含预定航迹的大基准图，进行航路点的选取，结果表明，该方法能够有效地从基准图中提取出航路点。2.针对具有较大旋转和尺度畸变的航拍图像匹配，Hausdorff匹配算法存在鲁棒性差的问题，提出了基于形状上下文的加权Hausdorff景象匹配算法。该方法首先构建基于边缘连续性检测的结构关键点提取方法，减小琐碎边缘点对目标结构描述的影响；然后，利用形状上下文对目标边缘结构信息进行有效描述，以形状上下文匹配代价作为加权系数，并结合距离函数约束，构造了新的加权Hausdorff距离作为相似性度量用于景象匹配。以Google Earth图像作为航拍图像，在同时存在旋转、尺度及时空差异下进行匹配实验，结果表明，本文算法在角度变化1o~8o和尺度变化0.9~1.2的范围内具有较好的鲁棒性。3.针对序列图像的帧间运动变化较大下出现特征点跟踪误差大的问题，提出了基于多重约束的KLT特征点跟踪方法。该方法首先在KLT跟踪算法的框架下，利用光流梯度矩阵的特征值大小判断特征点；然后基于时间可逆性约束，利用后向跟踪求解后向偏移量，并与前向偏移量相结合，构造一种新的偏移量—双向加权偏移量；利用双向偏移量的阈值约束和多分辨率约束，在帧间运动变化较大的情况下对特征点位置进行分层最优估计。用Google Earth图像构建序列图像，并进行特征点跟踪实验，结果表明本文算法在较大的平移和旋转运动下，跟踪精度优于P-KLT和TRC-KLT算法。4.针对上述基于多重约束KLT特征点跟踪方法的帧间特征点匹配后验问题，提出一种基于拓扑结构一致性约束的序列图像特征点匹配后验分析方法。该方法首先以图间所有可能的匹配点对作为分配图的顶点，以图像点集内和点集间的加权形状上下文统计特征构造新的度量函数并作为图的边权值，构造新的分配图；然后，利用迭代求解方法实现拓扑结构一致性约束下帧间特征点匹配，并获取边权值系数和的最大值；最后，通过与第4章跟踪结果在上述图模型下边权值系数和的对比，判断跟踪结果的正确性。将该方法用于第4章特征点跟踪所得到匹配点对的后验分析。结果表明，该方法能够对第4章跟踪结果的正确性进行准确判断。5.针对序列图像运动估计在实际工程应用中，由于飞行环境及飞行状态的影响导致导航参数估计出现较大误差的情况，运用基于单应性矩阵分解的运动估计方法，通过仿真实验分析了图像特征点检测精度、图像分辨率、特征点的个数及分布等因素对运动参数估计的影响。将第4章提出的序列图像特征点跟踪算法、第5章提出的序列图像特征点匹配后验方法、基于单应性矩阵分解的运动参数估计方法结合，构造基于序列图像运动估计的导航方法，并在Vega Prime/MFC视景仿真环境下，进行不同分辨率下的精度分析。实验结果可为序列图像运动状态估计的工程应用提供实验依据和指导。6.从视觉辅助导航的需求出发，构建一个综合导航演示验证系统。该系统的设计过程中，综合运用了本文提出的航路点自动选取、航路点景象匹配、KLT特征点跟踪、特征点匹配后验分析等关键技术。重点解决的关键问题包括：（1）不同时段的大视场图像获取及地理信息的标注；（2）基于惯导漂移误差、航路点和实时图视场的航路点自动提取策略；（3）在无法获取相机参数的航拍仿真环境下，基于图像拼接技术实现帧间相对定位；（4）基于多帧一致性约束的综合导航策略等。利用Matlab2012开发综合导航演示验证系统软件，以西安—西沣路段上的GoogleEarth图像作为航拍图，进行视觉辅助导航方法的实验验证分析，结果表明本文所提出方法能够较好完成对惯性导航误差的校正，达到长航时精确导航的要求。