视觉检测和路径规划技术是保证植保作业无人机安全工作的重要保障,尤其在环境复杂的田间地头,安全作业成为了首要的考虑因素。本文分析了传统作业方式的局限性,进一步研究传统算法在应用中存在的不足,提出新的改进策略,提高了实际工作的效率,使其适应复杂的作业环境。作为视觉SLAM（Simultaneous Localization and Mapping）局部建图的前端技术模块之一,ORB（Oriented FAST and Rotated BRIEF）特征匹配扮演着重要的角色。本文设计了将K-means++聚类预处理和稀疏光流法匹配相结合的改进方案。在预处理阶段,对图像信息进行平滑处理,检测到特征点集之后,通过计算Harris响应值来去伪,保留更高质量特征点。为解决原算法依靠穷举搜索匹配法导致计算冗余的问题,将K-means++中心聚类算法、稀疏光流法与传统算法融合改进,后利用RANSAC（Random Sample Consensus）算法进一步提高匹配精度,达到优化匹配过程的目的。基于人工势场法（Artificial Potential Field,APF）的理论基础,总结其自身缺陷,并分析在复杂环境中可能存在更多的约束条件。主要的改进策略如下:针对目标不可达问题,改进斥力函数,引入无人机与目标点的相对距离,使得目标点始终处于最小势场;针对局部极小值问题的多种情景,提出一种“触碰引导”的子目标点逃逸策略;同时考虑到复杂的作业环境中可能存在多类型障碍物,以及避障所导致的偏航问题,本文对障碍物的边界进行划分处理,规划出不同的威胁范围,改进引力函数,引入“线势场”的概念,添加原始航线对无人机的吸引力;针对可能存在动态障碍物的影响,在原算法的基础上,引入目标点、障碍物、无人机速度以及加速度信息,增加无人机对环境的认知信息;针对局部路径可能出现曲率过大,震荡问题,通过贝塞尔曲线法对航迹进行优化处理,以符合实际工作需求。本文采用模拟仿真验证与真机试验相结合的方式,验证改进算法的可行性,试验结果表明优化算法能有效解决对应的问题,对无人机植保作业技术有参考意义。