基于双目视觉的无人机避障算法主要有两种核心技术,立体匹配算法和路径规划算法。目前无人机避障算法虽然取得一定的研究成果,但是仍然有很多问题需要解决,因此,亟需对无人机避障算法的核心技术进行更加深入的研究。针对传统立体匹配算法在光照不均匀、重复纹理、遮挡等区域效果不好的问题,提出一种改进传统立体匹配算法。在进行图像预处理之后提出一种改进的将FAST和SIFT相结合的传统立体匹配算法,并使用曼哈顿距离计算参考图与待匹配图的相似度、使用PROSAC剔除误匹配,提高了匹配率且保证了算法的实时性,最后在EuRoC室内双目数据集上进行算法验证,实验结果表明,本文改进方法不仅能够提升正确匹配对数量和匹配率,还保证了匹配实时性,具有一定的工程应用价值。其次,针对基于深度学习的立体匹配算法实时性不高的问题,该问题严重制约双目匹配算法的落地,本文改进一种使用高斯滤波预处理方法和超像素分割形成的区域作为StereoNet实时端到端深度学习网络的输入,进行了局部匹配代价计算,并利用Middlebury平台对多种经典算法进行对比,表明本文算法在处理遮挡、重复纹理等病态区域有充足的优势,且能满足实时性的要求。最后,针对路径规划中的传统蚁群算法易出现搜索停滞、耗时长的问题,提出一种改进的势场蚁群算法,通过改进算法的启发信息、斥力函数和信息素更新策略,并进行MATLAB和在ROS平台仿真及验证,用改进的蚁群算法与传统算法和其他经典改进算法进行对比,验证了改进算法的可行性和有效性。