无人机因为其适应性强、成本低（相较于有人机）、效费比高等特点,在民用、军用领域扮演着越来越重要的角色。现有无人机的导航方案基本是全球卫星导航系统（Global Navigation Satellite System,GNSS）配合惯性导航系统（Inertial Navigation System,INS）进行导航作业。但是,无人机在复杂环境下,如山区地形遮挡,战场电子干扰等,其导航所依赖的GNSS的信号会被干扰,进入GNSS拒止状态,此时无人机导航只能依赖自身携带的INS。INS存在漂移误差。为了保障无人机在GNSS拒止下的导航定位精度,引入了基于视觉传感器的视觉导航方案,补足GNSS缺失的空位。本文针对GNSS拒止的无人机自主定位导航的问题,提出了一种GNSS拒止下的视觉定位导航方案。通过数字影像地图与无人机影像的图像匹配,进行位姿解算,获得无人机位姿数据。结合INS、气压高度计等传感器数据,提出多源传感器数据的融合方案,进一步提升定位导航精度。虽然国内外研究学者在基于图像匹配的无人机定位导航算法研究中取得了一些成果,但是很多问题仍待解决,存在很大的研究空间。离线数字影像地图与无人机影像在采集时间上存在一定的跨度,且使用的视觉传感器型号也存在差异,致使离线数字影像地图与无人机影像之间存在着光照不一致,环境变化等,直接影响着该视觉导航算法的定位精度。对于树木、水域等随时间会产生较大变化的环境,离线数字影像地图与无人机影像之间的差异会更大,进一步降低算法的定位精度。同时,传统的单无人机体系在如今的高科技战场环境下,难以满足我军对于作战和任务的多样化的要求,并且,不同飞行高度下的无人机有着不同的适应场景和优点,单一无人机飞行无法兼顾所有适应场景和优点。除此之外,单一无人机也无法保障无人机长时间导航稳定性。针对上述应用方面的不足与挑战,本文进行了深入分析与研究,主要集中在以下三个方面:（1）提出了基于特征稀疏化的鲁棒性图像匹配方法。针对高低空无人机视觉传感器在非优质区域的成像特点,提出了对应的两种鲁棒性匹配算法,一种是针对低空非优质区域的基于Super Point特征的鲁棒性图像匹配算法,另一种是针对高空非优质区域的基于类型特征描述符的鲁棒性图像匹配算法。上述两种鲁棒性匹配算法通过对数字影像地图构建特征稀疏化的离线数据库,降低了板载资源占用。同时结合无人机影像特征稀疏化,相较于传统算法,在保证一定精度的同时也显著提升了图像匹配算法的鲁棒性与匹配速度。（2）提出了一种基于无人机协同视觉定位导航框架的视觉位姿估计方法。为了提升无人机在非优质区域的视觉定位长时间稳定性以及结合高低空无人机各自的适应场景与优点,同时针对非优质区域位姿估计问题,提出了一种无人机协同视觉定位导航框架,并在此框架的基础之上,提出了在非优质区域的高低空无人机视觉位姿估计方法。并进行了实验,其精度和导航稳定性都满足在GNSS拒止下的定位导航需要。（3）针对高低空无人机多传感器数据融合的需求,同时为了解决各个传感器之间工作频率不同的问题,提出了一种基于卡尔曼滤波器的高低空无人机的多传感器融合导航方法。相较于视觉定位导航,该多传感器融合导航方法进一步提升了定位精度,保障了在GNSS拒止下无人机导航定位的长时间稳定工作。并通过实验进行了验证。