近年来,四旋翼无人机凭借其结构简单、机动性好以及可垂直起降等优势被广泛地应用于各个领域。在无人机执行巡检等任务的过程中,无人机需要在特定环境下进行自主导航与自主着陆。目前,实现无人机自主导航主要使用SLAM（Simultaneous Localization and Mapping）方法,但随着机器学习技术的发展,基于学习算法的导航技术逐渐受到了研究人员的关注。无人机在自主着陆过程中,无人机旋翼产生的气流会与地面相互作用,从而产生地面效应。地面效应导致无人机降落时受到的升力增加,增大了降落难度。本文主要针对四旋翼无人机巡检过程中基于机载单目视觉传感器信息的自主导航问题以及自主着陆过程中的地面效应补偿控制问题展开了研究,本文主要完成的研究工作如下:（1）设计了一种城市道路环境下无人机视觉导航算法。基于ResNet（Residual Neural Network）设计了卷积神经网络,使无人机可以根据视觉信息判断当前需要的转角与碰撞概率。本文将导航问题化为了一个神经网络的回归问题,将防撞问题化为了神经网络的分类问题,通过设计损失函数,使得神经网络可以同时处理回归问题与分类问题。将神经网络输出结果应用于无人机控制时,本文对神经网络的输出进行了滤波处理,解决了因神经网络输出不稳定而影响无人机控制的问题。搭建了城市道路环境下无人机导航系统平台,设计了系统平台的硬件与软件架构。使用AprilTag标记无人机降落地点,通过仿真与实际试验,该系统实现了城市道路环境下基于视觉的自主导航与降落。（2）针对四旋翼无人机在降落控制过程中地面效应对控制性能有较大影响的问题,在地面效应复杂,难以建立机理模型的约束下,提出了一种基于深度学习的新型非线性鲁棒控制策略.利用深度神经网络的学习能力,建立了无人机降落过程中未知地面效应的补偿模型;结合supwer-twisting控制设计,实现了对降落过程中未知地面效应的快速抑制和无人机降落的精确控制。通过Lyapunov分析法和谱归一化法,证明了降落过程中闭环系统的稳定性和无人机位置误差的指数收敛特性。实时飞行实验结果表明,本文提出的控制策略取得了较好的控制效果。