室外有风环境中的旋翼飞行器,由于风场扰动明显,对其系统的抗风能力有更高要求。由于旋翼式飞行器受自身旋翼干扰难以搭载风速传感器,而目前从控制算法入手的无人机抗风扰研究,仅仅通过提高算法鲁棒性或加入扰动观测器来补偿风扰动影响,并未考虑具体风模型的影响,因此将风模型与控制器设计相结合是当前的研究热点与难点。本文从大气风场模型出发,将风速估计和风扰动补偿引入到旋翼飞控系统中,提高了飞行器抗风扰的响应速度和准确度。本文主要工作内容如下:1.提出风速扩展卡尔曼滤波（Wind Speed Extended Kalman Filter,WS-EKF）估计算法针对旋翼飞行器自身无法搭载测风元件的问题,根据飞行器实际工作环境和高度建立对应风切变、大气紊流的中低空风场模型,并在状态估计模块中引入该模型;设计风速状态EKF估计器,对实时风速进行估计,以计算控制器中风扰因子。该方法优势在于仅需旋翼飞行器飞行位姿估计传感器即可完成对风扰信息估计。2.提出双串级风扰解算PID（Double Cascade Wind Disturbance Calculation PID,DCWDC-PID）控制算法为解决经典PID算法对非线性系统参与控制反馈状态变量不足问题,本文提出位置-速度和角度-角速度的双串级PID控制算法,该算法使用全部位姿状态变量参与控制反馈,提高了控制器响应速度和准确度。在控制器中设计解算模块,将风扰因子加入控制量模型中,使风模型估算与控制器设计相结合。本文将飞行器受控系统模型作为反解算模块,利用控制器输出量获取飞行器当前位姿状态解算值,作为位姿传感器测量基准值。3.设计统一状态向量的多点融合扩展卡尔曼滤波（Unified States Vector Multi-point Fusion Extended Kalman Filter,USV-MF-EKF）算法由于单一传感器单元自身存在偏差,本文针对各传感器测量值不统一问题,设计统一状态向量,为各传感器建立状态方程;采用多传感器测量飞行器状态,在EKF算法中实施估计和观测分离,将IMU测量值作为状态值进行一步预测,将其他传感器测量值作为观测值进行预测更新。实验测试表明,在风场环境中,仅使用飞行器飞行位姿估计传感器,WS-EKF算法可以有效估计出风场信息,偏离程度在10%以内,USV-MF-EKF对机体三轴任意状态的均方根误差相比IMU单一滤波均减小25.2%以上;对比PID算法和滑模算法,DC-WDCPID控制算法的响应速度提高35%以上,准确度提高67.8%以上。