视觉导航技术是一种结合惯导信息和景象匹配为航空器提供飞行依据的制导手段,因其不需与外界交互、抗干扰能力强等优点,对无人机导航技术的发展具有重要意义。然而,视觉导航核心技术——图像匹配算法在速度和精度上存在矛盾。经典SIFT算法具有亚像素精度、易于实现,但存在速度较慢问题,而基于深度学习的Key.NetHardNet算法匹配性能优越,但仅有像素级精度且无旋转不变性。为此,本文从基准地图特征点储存方法、传统SIFT算法、现代Key.Net-HardNet算法这三方面进行深入研究与创新,解决视觉导航系统速度与亚像素精度的矛盾。主要研究成果如下:（1）针对实时图像与基准地图的匹配任务中,基准地图处理时间长、检测速度慢的问题,提出了预存基准地图特征点的新算法,给出分块检测特征点、使用KD树加速特征点检索两种策略。基于实际航拍图像的实验结果表明,使用本算法的匹配时间下降了41.6%（981.50ms vs.572.88ms）,正确匹配点数量平均提升了4.7%（69.38 vs.72.63）。使用KD树后特征点检索时间降低了75%（4ms vs.1ms）。原本16G内存无法处理的高分辨率基准地图,在使用分块检测的策略后运行时内存使用量稳定在12%左右,降低了预储存高分辨率基准地图特征点对硬件的需求。（2）针对SIFT算法具有亚像素定位精度但速度慢的问题,基于上述基准地图特征点预存储算法,提出了基于感兴趣区域选取的空间分布约束特征点筛选策略,完成了一整套SIFT视觉导航快速算法。基于实际航拍图像的实验结果表明,不同质量航拍图像的特征点数量变化平缓（200左右）,在图像中分布较均匀,在基准地图上的特征点坐标均方根误差下降了14.8%（0.27 vs.0.23）,视觉导航系统实现了106张连续无人机图像的全部匹配,单幅500*500图像定位时间小于600ms,满足项目技术需求。（3）针对深度学习的特征点检测网络Key.Net和特征点描述网络HardNet匹配性能优越但缺乏亚像素精度与旋转不变性的问题,提出了像素级特征点的局部梯度亚像素拟合方法和直方图统计主方向的方法。同时,对航拍图像块进行仿射变换（模拟无人机的飞行姿态变化）制作数据集,对Key.Net网络进行训练,进一步提升了视觉导航性能。实验结果表明,新的Key.Net-HardNet网络的亚像素定位误差小于0.05个像素,并且改进后的网络可以对旋转图像进行匹配,使用新数据集训练后的平均匹配分数提升了9.2%（43.7%vs.52.9%）。