无人机系统对导航系统的稳定性和可靠性有着很高的需求,由于计算机视觉技术的发展,其计算速度的增加、成本的降低等使视觉导航成为了可靠的导航方式。典型的惯性/卫星组合导航系统需要卫星外源信息,易受到电磁干扰等外界影响,且惯导系统具有误差随时间累积的缺点,针对无人机的飞行特性及其对导航系统的需求,在组合导航系统中增加不依赖于卫星的自主导航方式-视觉导航。使用不同的导航传感器进行组合可以提高系统的导航精度,但需要克服不同导航传感器量测频率不同等问题,且系统复杂性的提高也会导致故障概率大大增加,需要提高多源信息融合方法的容错性。本文围绕基于无人机的视觉导航算法和多源信息融合两个方面展开了研究,具体内容如下:图像配准是实现视觉导航的基础,首先对几种常用的特征提取方法进行详细的推导,包括FAST角点、ORB特征和SIFT特征。其中SIFT特征具有尺度不变性、旋转不变性等优点,但是在图像发生仿射时稳定性较差,为了解决这个问题,本文给出了相应的改进方法。考虑到MSA算子具有较好的仿射不变性,但是计算量较大,因此考虑构造基于图像区块的MSA算子,在SIFT特征点为圆心的圆形区域内计算MSA特征向量,为了不改变原特征的旋转不变性,在计算MSA特征向量时计算范围与中心处特征点的梯度幅值成正比。将SIFT特征的描述子与MSA特征向量相结合构造SIFT+MSA组合特征,利用该组合特征进行图像配准。为了验证改进SIFT特征的图像配准性能,利用无人机采集图像与人为加入仿射变换的图像进行配准,仿真实验结果表明SIFT+MSA组合特征与SIFT特征相比,虽然计算量有所增加,但是匹配精度得到了提高。在实现了精准的图像匹配的基础上,验证无人机仅使用视觉传感器进行运动估计的可行性。从理论上详细推导了基于序列图像利用单应性矩阵分解获得无人机运动参数的算法,利用模拟的无人机飞行数据对算法进行仿真验证,分析了针对不同高斯噪声和不同特征点分布对位姿估计结果的影响,高斯噪声也就是特征点匹配的精度越高,位姿估计的误差波动越小;特征点越不相关,位姿估计的误差越小。仅利用视觉传感器可以估计出无人机的位姿信息,但会受到运动状态、外界环境等限制,一般以自主性强、更新频率高且估计精度较高的惯导系统以主导航系统,以视觉导航为辅助导航系统,对惯导结果进行修正。传统的松耦合算法是对惯导和视觉导航两个导航系统独立的进行运动估计,计算量大且融合效果一般,本文给出两种基于视觉/惯导的紧耦合算法-多状态约束卡尔曼滤波和滑动窗口滤波,将视觉传感器中的数据与惯导得到的原始数据融合起来进行估计,虽然这样导致计算的复杂度增加,但是可以更好的提取出原始数据中包含的导航信息。利用相同的样本集,对比分析两种算法位姿解算结果的误差特性,并分析特征跟踪长度对MSCKF定位精度的影响,通过对比得到两种算法的使用场景,SWF具有更好的鲁棒性,但是计算量远大于MSCKF,MSCKF更加适用于无人机等计算资源有限的场景。为了解决无人机多传感器组合导航系统间断融合的问题,以及提高无人机导航系统对传感器故障的适应能力,将交互式多模型理论引入到联邦滤波器中。对混合交互式多模型对于传感器故障的处理能力进行验证,对比分析加入残差卡方故障诊断的卡尔曼滤波和混合交互式多模型对传感器故障的处理能力,仿真结果表明无论是噪声突变故障还是渐变故障,混合交互式多模型算法都表现了出更好的性能。基于混合交互式多模型对噪声优异的容错性能,将其加入到联邦滤波器中,在子滤波器中使用交互式多模型代替卡尔曼滤波,以提高无人机组合导航系统的抗干扰能力,通过仿真结果验证了改进的混合多模型联邦滤波在某个导航传感器发生故障时可以进行有效的处理,降低了精度较差的传感器发生故障时对整个无人机导航系统的影响。