飞机表面质量检测是航空制造业中十分重要的环节。国防军机表面受损严重影响其军用性能,民航客机飞行里程长需要周期的进行维修,因此高效而准确的实现飞机表面检测是提高飞机生产质量和效率的关键因素。目前很多国内外学者投身于飞机表面质量检测方法的研究中,常用的方法包含人工目视检测、爬壁机器人吸附于飞机蒙皮表面或者地面移动自主避障小车拍摄飞机表面。这些方法能在一定程度上完成飞机表面检测的工作,但是工作效率较低,操控灵活性较差,目前已有国外学者考虑利用无人机搭载相机的方式进行飞机表面检测,但是目前国内相关研究较少。因此本文提出了利用无人机搭载相机的方式绕着待检飞机飞行,在采集到飞机表面图像进行缺陷检测的同时,利用定位算法计算无人机与待检飞机之间的相对位姿,进一步将检测到的缺陷映射至待检飞机表面。本文针对飞机表面检测的需求,提出了无人机的位姿估计算法以及飞机表面缺陷识别算法。其中,无人机的位姿估计底层框架采用了目前最为先进之一的视觉和惯导联合优化的开源算法VINS-mono,并且针对该算法在机棚场景内易产生漂移误差的情况,提出了利用先验场景布置编码工装,将标定好的编码之间相对位姿作为外部约束,加入无人机位姿优化方程中,同时本文为提出的外部约束赋予自适应权重,提高了系统解算无人机位姿的精确度和鲁棒性。最终本文将优化后的无人机轨迹与待检飞机数模进行坐标系统一,实现无人机拍摄图片到飞机表面的唯一映射。另一方面针对无人机采集到的图片,本文采用了最为先进之一的深度学习模型Yolov4,并收集了飞机表面裂纹缺陷样本,利用数据增强算法对样本进行了大量扩充后完成了模型的有效训练,最终实现了飞机表面缺陷的实时且精确的识别。本文从量化、可视化以及对比实验三个方面进行了所提出的定位、检测算法的评估。通过实验结果的充分展示,体现了本文算法能够有效实现飞机表面缺陷检测的任务。