计算机视觉凭借其无源、经济、信息丰富的优点,成为无人机自主导航中的重要信息源。本文以双目摄像机所拍摄的舰船模型序列图像为研究对象,综合运用数字图像处理、计算机视觉、三维重建等技术和方法,对无人机自主着舰阶段的舰船识别与跟踪、着陆场区域有用特征提取、无人机相对位姿的估计等问题进行了深入的研究。首先利用SIFT特征匹配与模板匹配相结合的方法来解决复杂背景条件下着陆场目标的识别与跟踪的问题。在建立舰船跑道SIFT特征库的基础上,将机载摄像机拍摄图像所提取的SIFT特征与特征库做匹配,并设定匹配阈值来确定目标是否已被识别,然后对识别后的舰船跑道区域进行定位,通过提出的模板刷新策略,采用模板匹配的算法对定位区域实现实时的跟踪。光照变换对着陆场区域图像的有效分割造成了极大的影响,本文提出一种跑道区域图像增强算法来消除光照变化带来的不利影响。算法融合了基于图像平均灰度的图像恢复技术和线性灰度变换的图像增强技术,并通过一种基于反馈信息的迭代方法将两种技术多次迭代。处理后的图像不仅消除了光照变化的影响,而且突出了跑道线的特征。以增强的跑道区域灰度图像为对象,经过灰度拉伸、阈值分割得到二值化图像,利用Canny算子来检测边缘,然后采用概率Hough变换的方法检测跑道区域的直线特征,通过提出的一种直线筛选策略分离出用于计算的两条跑道边线的外边缘。在此基础上,运用射影几何和三维重建的方法,对双目摄像机拍摄到的跑道外边缘线上的四个点进行重建,进而估算出无人机相对舰船的位置以及姿态角等飞行参数,并用Kalman滤波的方法修正错误的计算结果。对拍摄到的舰船模型图像进行识别仿真实验,结果表明算法实现了在多变背景和视角下的舰船识别与跟踪,具有较强的鲁棒性,并且从定位区域图像中准确提取了跑道外边缘线的重要特征。同时还建立了一套仿真下滑平台用于模拟无人机的着陆过程,通过将实验计算所得数据与真实测量的飞行参数进行对比,验证了算法的有效性和可行性。