小型旋翼无人机灵活度高、机动性强,能适应复杂的室内外场景,因而在未知环境探索和地图构建等任务中得到越来越多的应用。目前,基于旋翼无人机的自主探索与语义建图面临诸多挑战:一方面,现有探索方法大多缺乏对探索效率和建图精度的综合考虑,所建地图往往误差较大,不利于无人机后续的运动规划;另一方面,当前语义建图方法对环境中深度变化不明显的区域分割效果较差,容易造成物体语义信息的丢失。本文对旋翼无人机的自主探索与语义建图展开研究。针对旋翼无人机自主探索问题,本文提出一种基于局部采样和历史节点回溯的自主探索方法。在局部采样算法设计中,不但考虑了未知区域体素和物体表面体素包含的环境不确定性和环境拓扑结构等信息,还对旋翼无人机的当前位姿加以考虑,从而可将运动变化量少的采样点赋予更高的优先级,以兼顾旋翼无人机的探索效率与建图精度。针对局部采样失效问题,提出了节点回溯策略以对历史节点进行新一轮的局部采样,从而减小未知区域体积直至达到全局探索覆盖。由于避免了对大量已知区域的无效采样,旋翼无人机探索效率得到明显提升。为了验证所提探索方法的有效性,分别通过仿真实验和旋翼无人机实飞实验进行测试验证,与主流方法的对比结果表明本文方法具有更好的探索效率和建图精度。针对语义建图问题,本文提出一种基于“几何-语义”联合分层分割的语义建图方法,可有效提升深度变化不明显区域的建图效果。由于基于“几何-语义”联合分割的建图方法在面对深度差异不明显的场景时容易出现语义信息的丢失,因此采用分层次分割策略,利用物体的语义掩码对深度图像进行再分割,从而获取包含物体几何信息的区块,并在地图中为其构建实例。此外针对几何分割过程耗时过长的问题,在GPU上对几何分割进行并行化实现,使得更多图像帧被及时处理并融入到地图中,从而减少了地图中的空洞数量。为了验证所提建图方法的有效性,分别在公开数据集和真实场景中进行测试验证,与主流方法的对比结果表明本文方法具有更好的建图效果。