随着社会经济的快速发展，城市人口和机动车保有量急剧增加，导致城市交通拥堵现象日益严重。交通信息化建设和现代化交通管理模式是缓解交通拥堵的有效方式，但其前提是掌握目标区域内的车辆密度信息，并对该区域进行高效监测。针对目标区域内的车辆密度估计问题，传统的信息采集手段难以确保目标区域内交通信息采样数据的全面性与实时性。因此，本论文研究面向车辆密度估计的多自主无人机最优覆盖控制方法，旨在利用无人机组与地面监控网络，组成混合式的采样估计系统，进而大幅度提高车辆密度估计的全面性和灵活性。此外，多自主无人机网络还能够根据目标区域的车辆密度分布，动态调整无人机网络的分布，实现对目标区域的高效覆盖与实时监控。论文针对面向车辆密度估计的多自主无人机最优覆盖控制问题，主要研究工作和成果如下：
　　（1）针对车辆密度未知下的多自主无人机覆盖控制问题，构建了一种由无人机组与地面采样设备组成的动静混合采样模型。在此基础上，提出了一种基于RBF神经网络的车辆密度估计算法。根据车辆密度的估计结果，设计基于多自主无人机网络的覆盖控制算法，并根据Barbalat引理证明该算法的稳定性。
　　（2）针对采样噪声干扰下的多自主无人机覆盖控制问题，定义了时变车辆密度下多自主无人机的覆盖控制效果及车辆密度估计的性能指标函数，设计了基于混合采样模型的动态采样机制。在此基础上，提出了一种基于RBF-KF的车辆密度估计算法，在滤除采样噪声的同时提高了运算效率。根据所设计的估计算法，提出时变车辆密度下的多自主无人机覆盖控制算法，证明了该算法的稳定性。
　　（3）针对复杂动力学模型下的多自主无人机覆盖控制问题，以四旋翼无人机为控制对象，将无人机组的最优覆盖控制问题转化为单个无人机对其Voronoi区域质心的动态追踪问题。根据四旋翼无人机的动力学模型，设计了一种基于反步法的四旋翼无人机动态追踪控制算法，并通过四旋翼无人机组对目标区域进行最优覆盖仿真，验证了最优覆盖控制的有效性。