近些年来,随着无人机的成本降低和技术的发展,国内外研究者对无人机导航定位的研究不断深入。在不同场景下实现精确可靠的定位是无人机导航控制的关键。为了提高无人机在复杂场景下的定位精度,深入研究了使用深度学习辅助的多传感器组合定位系统。该系统使用单目相机和IMU传感器实现复杂场景下的定位,并使用深度学习技术辅助定位系统,降低复杂场景对定位结果的干扰和影响。针对光照和视角变化以及存在动态目标的场景下的视觉定位算法进行了以下研究:（1）对于传统特征提取方案在光照和视角剧烈变化的场景下鲁棒性不足的特点,研究了基于深度学习的关键点检测算法,经过网络改进和数据集扩充,降低了光照和视角剧烈变化对关键点检测效果的影响。首先,为了解决训练数据不足并且标注成本较高的问题,对公共数据集采用自标注的方式生成标注数据集,使用神经网络检测和传统检测方法相融合的方式进行标注,并使用随机单应变换等方式获得鲁棒性更强的关键点。然后,针对原始MagicPoint关键点检测网络在实际场景下易受光照和视角变化影响的问题,使用深度可分离卷积改进MagicPoint网络,通过增加深层特征的数量来解决这个问题。最终,针对关键点检测算法的仿真结果表明,相比传统关键点检测方案,改进后的MagicPoint网络能够检测到鲁棒性更强的关键点。（2）对于场景中存在动态目标的问题,研究了针对道路交通应用的动态目标剔除方案,提高了系统在动态场景下的定位精度。首先,基于Mask R-CNN网络对图像进行实例分割,并设计能够根据目标大小调整膨胀程度的自适应膨胀算法改善分割结果,得到潜在动态目标。然后,通过计算潜在动态目标上多个关键点的场景流标量来进一步判断目标的运动状态。最后,在运动估计时去掉动态目标部分的关键点,采用静态区域上的关键点作为参考计算载体的运动变化,降低了动态目标对载体运动的影响。（3）利用多个公开数据集验证本文所提出方案并进行分析。首先,使用Hpatches数据集验证了提出的改进MagicPoint网络并和其它关键点检测方案进行比较。实验结果表明,这一改进方案在检测实时性和检测重复率上均优于参与比较的其它方案。随后,将改进后的MagicPoint网络用到定位系统中,在EUROC和TUM数据集上测试了组合定位系统的定位精度,并和使用其它关键点检测方案的定位系统进行比较,结果表明使用本文方案的定位系统绝对轨迹误差较其它方案降低5%左右。在KITTI数据集上进行分割测试,验证本文提出的自适应膨胀算法,结果表明使用自适应膨胀后的分割精确率较不使用该算法提高1.5%左右。还在该数据集上验证了基于场景流的潜在动态目标状态估计方案的有效性,结果表明依据场景流能够准确判断出目标的状态。随后在KITTI数据集和VIODE数据集上验证了使用动态目标剔除算法的定位系统性能,结果表明使用动态目标剔除算法后定位误差下降。最后,综合验证了使用本文提出的关键点检测和动态目标剔除算法的定位系统在VIODE数据集上的定位效果,结果表明,相比改进前的定位系统,有效降低了系统在动态场景下的定位误差。上述研究提高了复杂场景下结合深度学习的组合定位系统性能,为实际场景下实现可靠精确的导航定位提供了思路和方法参考。