由于未知环境中,无人平台对外界环境信息的缺乏以及自身位置的不确定性,其自主工作存在一定难度。无人平台在未知环境中进行定位,确定自身轨迹并进行路径规划业已成为当前无人平台领域研究热点与研究难题。本文对未知环境中无人平台自主定位与路径规划问题进行研究,其中着重研究了基于视觉传感器的视觉定位建图算法与基于蚁群的路径规划方法,目的在于提高未知环境中无人平台的自主控制能力。（1）介绍了基于视觉传感器的同时定位与建图的基础理论知识,为论文工作的改进研究提供理论支持。阐述了基于单目、双目与深度视觉传感器的VSLAM（visual simultaneous localization and mapping）算法的相关基础知识,并通过仿真实验,对比分析了ORB＿SLAM算法的单目、双目以及深度模式下的实际运行效果。（2）针对未知环境下的定位问题与复杂环境下算法的可靠运行问题,本文提出一种融合场景识别的VSLAM框架—DScene VSLAM框架,通过基于深度学习的场景识别模型以及视觉传感器传输的当前场景图像,识别当前场景类别,并依据类别调用不同的VSLAM模型,从而达到自主适应不同场景的能力,增强了视觉VSLAM方法的鲁棒性。并在开源数据集上进行了仿真实验,实验结果表明本文方法能够有效的识别不同场景类别,准确调用不同类别所使用的VSLAM模型,从而验证了本文所提出的DScene VSLAM框架的有效性。（3）针对未知环境中基于视觉传感器信息的路径规划问题,为增强路径规划效率,本文提出一种改进路径规划算法,主要使用改进蚁群算法来进行路径规划。通过改进其初始信息素分布、融合人工势场的启发函数、非平衡的信息素更新策略以及死锁解决策略,来增强算法在未知环境中路径规划的能力。通过与典型蚁群算法的对比仿真实验,实验结果验证了本文提出的改进蚁群算法进行路径规划的有效性与可靠性。进一步通过模拟未知环境进行实验,验证本文方法在未知环境中规划路径的有效性。（4）开发了一款无人车远程控制软件,软件基于ROS通信系统,对无人车进行远程控制;并构建了基于无人车的实景实验平台,实验平台是基于ubuntu系统搭载ROS框架的TX2主机,并将本文方法移植到实验平台的TX2主机上,通过在室内室外未知环境中进行实际数据采集以及实景实验,验证本文提出的定位与路径规划总框架的有效性与可靠性。