无人机视觉自主着陆问题是无人机自主飞行领域亟待解决的热点问题之一。基于径向基函数(Radial Basis Function，RBF)神经网络的着陆点地貌分类识别技术对于降低无人机着陆系统成本和提高其自主性有重要意义。然而，RBF神经网络中，隐含层节点的个数和中心的选取直接影响整个网络的性能。本文主要研究如何利用遗传算法来优化RBF神经网络的参数和结构，并将其应用于无人机着陆点地貌的分类，旨在提高其分类精度。具体研究内容如下:　　(1)针对经典小波阈值去噪算法中统一阈值的“过扼杀”现象，提出了一种基于自适应小波阈值和双边滤波器的去噪算法。该算法首先采用自适应的小波阈值去噪算法，去除图像中的噪声，克服了统一阈值模糊图像边缘的不足;然后，利用双边滤波器保护图像的边缘和细节信息。仿真实验表明该算法不仅能够有效地去除噪声，而且保留了较多的图像边缘和细节信息。　　(2)提出了一种基于自适应遗传算法的RBF神经网络学习算法。该算法在优化网络参数的同时，对网络结构进行了优化:首先，提出了一种基于种群“早熟”程度和个体相似度的自适应遗传算法，克服了标准遗传算法的“早熟”收敛问题;然后，利用自适应遗传算法优化RBF神经网络的参数，克服了k-means聚类算法等对初始聚类中心敏感的缺陷;最后，优化RBF神经网络的结构。仿真实验表明该算法不仅简化了网络结构，而且提高了网络的泛化能力和图像正确分类率。　　(3)针对RBF神经网络的结构和参数协同优化问题，提出了一种基于遗传算法的RBF神经网络协同学习算法。该算法将基于种群“早熟”程度和个体相似度的自适应遗传算法与结构变异算子，协同作用于网络参数和结构的学习中，改善网络的整体性能;而且引入的结构变异算子能够根据遗传算法的进化信息，有针对性地调整网络结构，使得网络的结构学习更有方向性，减少了计算量，加快了算法的收敛速度。仿真实验表明该算法能够得到更简洁的网络结构，更好的网络泛化能力和更高的图像正确分类率。