本文针对无人机应用场景中的影响因素,以提高测速算法的精度与可靠性为目的,对无人机光流测速优化算法开展了研究。论文首先对Oriented FAST and Rotated BRIEF(ORB)特征检测算法及Lucas-Kanade(LK)光流算法的原理进行了分析。基于无人机导航的背景,研究了图像光流场与无人机运动场的转换关系。为了减少无人机图像大尺度运动、遮挡等因素带来的光流跟踪误差,论文引入图像金字塔的方法跟踪图像大尺度运动,并结合特征匹配算法提出了一种跟踪筛选算法筛除错误跟踪点,实验表明该算法可以有效减少跟踪误差,提高测速精度。针对无人机使用场景中前景运动物体与传感器噪声导致全局光流估计精度下降的问题,论文基于Meanshift聚类法提出了一种全局光流估计优化算法,该算法利用速度的一致性剔除光流数据中的干扰光流,将背景光流数据的聚类中心作为光流的估计值,提高了全局光流估计的精度,之后对算法的实时性与鲁棒性进行改进,并通过实验验证了算法的性能。为了解决场景中光照变化导致光流解算精度下降的问题,论文研究了一种基于图像结构-纹理分解的光流测速优化算法,通过提取图像的纹理分量来提高算法对光照变化的鲁棒性。在对基于高斯滤波与基于变分模型的两种图像分解方案及其参数选择进行研究的基础上,根据相邻图像的灰度变化率大小判断图像中是否出现光照变化,提高了算法的实时性,实验结果表明优化算法可以有效提升无人机光流测速算法对光照变化的鲁棒性。论文对光流测速优化算法的验证平台进行研究,基于大疆经纬M100四旋翼无人机搭建了硬件平台,并将研究内容进行整合,对测速优化算法的软件流程进行了设计与实现。之后利用验证平台进行实际场景的实验,实验结果表明本文研究的算法可以有效提高光流测速的精度与可靠性,且实时性较好,为用于无人机导航的光流测速优化算法提供了新的参考方案。