近年来由于科技水平的提高,无人机在各方面的配置都有了大幅提升,在军事和民用领域发挥了越来越重要的作用。在未来发展中,无人机将在全自主飞行方面进一步发展,其需要解决的关键问题之一便是自主导航。传统的自主导航方法是利用惯性导航系统(INS)、全球定位系统(GPS)等途径获取无人机的位姿信息。但是GPS和INS存在使用局限性,如GPS在室内及山谷等情况下会由于信号弱而失去作用,INS会随着时间推移,引起较大的累积误差。近年来,图像视觉传感器由于其重量轻、信息量大等优点逐渐被引入无人机视觉导航领域内。因此本文对无人机SLAM自主导航算法进行研究,主要做了如下工作:首先,本文研究了基于视觉特征提取的SIFT算法和SURF算法的差异。由于SURF算法利用了积分图像及Hessian概念,大大减少了特征提取过程的时间,并通过实验验证了该结论。其次,以扩展卡尔曼滤波算法为基础,研究了EKF-SLAM算法。仿真实验表明该算法能够实现在一定精度要求范围内的无人机定位与地图构建,但该算法对于运行环境有着较高的限制,并且计算复杂,鲁棒性较差,并不适合应用于噪声较大的大范围环境中。然后,为提高EKF-SLAM算法的精度及鲁棒性,研究了FastSLAM算法,该算法采用N个粒子估计无人机的飞行路径,对每个粒子采用M个EKF算法对环境特征点进行估计。由于粒子滤波在非线性模型中独特的优点使得该算法的鲁棒性较高,并提高了算法的精度。最后,针对因过度重采样造成的算法实时性低、粒子样本枯竭等问题,提出了基于自适应重采样的FastSLAM算法。并引入两种多样性启发因子作为粒子群优化算法的指导因子,对重采样后的粒子群进行优化,保证粒子群的多样性及算法精度。仿真实验表明该改进算法的精确度和鲁棒性得到了提高。