近年来,由于技术的进步、无人机设备的可用性以及建造无人机的低成本,无人驾驶Ariel车辆变得流行。随着无人机继续流行,它们的用例也越来越受欢迎,因此无人机现在被用于Ariel监视、消防、搜救和检查。多年来,人们一直在不断研究自主开发和部署无人机。在GPS的帮助下,RGB-D（红绿蓝深度）、光探测和测距（LIDAR）以及同时定位和映射（SLAM）无人机自主等复杂的传感器和复杂算法在户外达到了更高的高度环境。然而,这种传统方法在室内环境中的应用已证明具有挑战性,因为室内环境的GPS信号有限或没有GPS信号,并且传感器和算法分别是重量级和计算成本高的。在本论文中,我提出了一种方法,使无人机能够使用前视摄像头的视频帧捕获,在以前未知的室内环境中自主导航无人机。所提出的导航系统是使用最先进的两流残差神经网络（CNN）模型实现的。无人机前视摄像头捕捉到的视频帧被馈送到深度学习模型,以决定向无人机发出的下一个命令。整个过程结合了分类和回归任务,其中模型负责产生控制命令和碰撞的实际距离。所提出的两流残差神经网络（CNN）在我们收集的自定义室内数据样本上进行训练,并在数据样本收集期间用飞行员命令选择的动作和实际距离从安装在无人机上的外部距离传感器进行碰撞标记。利用残差神经网络跳过连接的优势,我训练了一个没有梯度消失问题的深度神经网络模型。通过处理当前帧及其对应的先前输入帧,模型可以提取考虑到帧之间的静态外观和运动信息的时空特征。CNN预测的控制命令和碰撞距离用于调制无人机的偏航角和线速度。实时实验评估表明,所提出的方法仅使用无人机前视摄像头捕获的视频帧来学习在未知室内环境中导航无人机的组合导航策略。