近年来，无人旋翼直升机在军用民用领域受到了广泛的关注。军事上主要用于侦察、作战，民用领域涉及危险环境（火灾或地震等自然灾害现场）中的搜查和救援以及农业应用。无人旋翼直升机常用的定位导航方式即GPS（GlobalPositioning System全球定位系统），但在某些环境（隧道或室内）中，GPS信号受到干扰或是失效，无法继续对无人机进行定位。而且，GPS的定位精度在十米左右，有时达不到精度的要求。在民用领域，高精度的GPS的成本较高。因此，本课题研究在无人机飞行过程中基于机器视觉的定位算法，利用机载高清摄像头完成视觉算法进而计算出无人机三维位置坐标，为无人机的位置控制提供位置反馈。为了增大定位的精度和增强定位的实时性，又提出了改进算法，并进行了实验验证。首先，提出了基于视觉的无人机飞行过程中的定位算法步骤。从无人机起飞开始，在轨迹上利用高清摄像头对地面目标进行实时采图，采图的同时利用SIFT算法对前后两幅图像进行特征点提取，之后使用KD-tree特征点搜索算法和欧式距离对特征点进行匹配，得到匹配点的像素坐标。本文提出的定位算法是一个迭代算法，即已知无人机起飞后前两个时刻的实时位置，通过坐标变换算法Trf1求出地面目标上匹配点的地面坐标，求出的匹配点地面坐标再通过坐标变换算法Trf2求得下一时刻的无人机XYZ位置坐标值，如此迭代下去。其中，坐标变换算法和是由无人机飞行过程中涉及到的机体坐标系、地面坐标系、摄像机坐标系、图像坐标系之间的变换关系得来，利用IMU（惯性测量单元）测得的无人机实时飞行时的偏航、俯仰、滚转三个方向角值以及上述计算出的匹配点像素坐标值。其次，考虑到定位的实时性和准确性，对上述定位算法进行了改进。无人机飞行过程中的定位算法包括图像采集、图像匹配以及位置解算三个部分，本文对图像特征点匹配阶段进行了改进。首先将SIFT算法得出的特征点描述符从128维降低到了64维，然后用K-means聚类算法对特征点的数量进行压缩，只保留图像中目标上及其周围对下一步匹配有用的特征点，最后用KD-tree最近邻查询算法的改进算法BBF搜索算法对特征点进行搜索匹配，进一步减少匹配时间。最后设计了实验平台，将定位算法在硬件装置上进行实现，由结果可得，改进后的定位算法时间减少500ms左右，计算出的无人机XYZ方向上的位置误差保持在6cm范围内，相对误差在6%左右，达到了定位实时性和精度要求。