本文以提升四轴飞行器自主飞行能力为目标,分别从两个不同的角度研究了复杂环境中多约束条件下四轴飞行器的飞行控制问题。从跟踪控制角度出发,应用模型预测控制和深度学习等理论方法,提出了满足各种约束条件的跟踪控制器设计方法及实现方案。从轨迹规划角度出发,采用RRT算法、模型预测及滚动优化等方法,设计了满足各种约束条件的飞行轨迹规划策略。本文的主要工作可归纳如下:(1)建立了四轴飞行器的数学模型,并采用泰勒展开线性化处理,将飞行器非线性模型近似成线性时变模型,方便了后续的研究。对无人机常见的约束条件进行归纳总结,得到了通用的表达式,提出了多约束条件下的跟踪控制和轨迹规划问题。(2)提出了基于模型预测控制的四轴飞行器轨迹跟踪控制器设计方法及基于深度神经网络控制器的实现方法。采用模型分离的方式,将系统分解为姿态和位置两个子系统,降低控制器设计的复杂度。在构造兼顾跟踪误差和输入变化率的性能指标函数的基础上,结合飞行状态约束和控制输入限制,将多约束条件下的跟踪控制问题转化为QP问题。为解决数值寻优计算量大,难于实现的问题,采用经过模型预测控制求解器训练的深度神经网络来控制飞行器,在保证性能的同时,大大提高了算法的实时性,大量仿真验证了整个策略的有效性和优越性。(3)提出了基于RRT算法(快速扩展随机树)和模型预测方法的四轴飞行器多约束条件下的轨迹规划策略。首先设计了基于RRT算法的路径搜索方法,并针对已有RRT算法重复性差和不平直等缺点,采用调整概率空间、时间分布和膨胀删减等方法加以改进,在保持避障能力的同时,获得了更加理想状态序列。然后,提出多项式和模型预测两种轨迹拟合法。多项式拟合法实现简单,可以解决无人机终端状态约束,而模型预测方法尽管实现复杂,但可以解决包括终端约束在内的各种输入约束和状态约束。仿真结果充分验证了所提轨迹规划策略的有效性。虽然本文的研究是围绕四轴飞行器展开,但是所提出的策略和方法同样适用于一般飞行器、甚至地面和水下机器人等类似系统。这些研究结果将为解决这类系统多约束条件下的跟踪控制和轨迹规划问题提供了有益的借鉴和参考。