人工智能(AI)技术在无人机(UAV)等载体上的应用越来越普遍,救援、侦查无人机在各种具有挑战的环境中进行目标检测、定位与搜救等任务是AI与UAV结合的典型范例。此外,无人机需要更加可靠的导航定位、地图构建等技术来应对日益复杂的飞行环境和作业任务。本文对于无人机的AI应用、导航定位及稠密建图问题作了研究工作,论文的主要工作内容和贡献如下:(1)针对具有大量参数和高额计算开销的卷积神经网络(CNN)无法实时应用于嵌入式设备的问题,本文提出了一种基于滤波器裁剪的新型卷积神经网络模型压缩算法。通过计算卷积层中滤波器的标准差值衡量其重要程度,裁剪对神经网络准确率影响较小的滤波器及其对应的特征图,可以有效降低计算成本。实验结果表明,该算法在基本保持原有精度的基础上可以对目标检测模型YOLOv2压缩50%以上,提高了其运算速度。(2)日益复杂的应用场景对无人机导航定位功能的要求越来越高,本文在视觉里程计(VO)系统中引入了惯性测量单元(IMU),提出了 一种基于几何空间的极线匹配滤波算法,可以剔除更多的误匹配,提高了特征匹配的准确率,并在视觉前端引入了 Graph-Cut RANSAC(GC-RANSAC)算法,提高了载体位姿的解算精度。实验表明,改进的视觉惯性里程计(VIO)系统具有更好的精度及稳定性。(3)独立的视觉里程计系统一般只能构建稀疏地图,无法满足无人机路径规划、导航避障的需求。基于此,本文在VIO系统中引入了 SkiMap地图构建框架,提出了一种基于位姿关键帧的VIO和SkiMap稠密地图的融合方法。利用大尺度立体匹配(ELAS)算法实现双目相机深度图的计算,以计算相邻帧间的位姿变化量来提取关键帧,并且仅采用关键帧进行稠密建图。该方法降低了构建稠密地图的计算量及存储量,提高了建图效率。