近年来,随着人们工作生活品质的要求不断提高,很多基于位置的服务逐步受到关注,而这些服务的核心就是准确获得使用者的位置。室内场所是很多人工作生活的主要活动区域,而卫星导航技术在室内的精度不高甚至会失效。在面对未知且复杂多变的室内环境时,如何进行准确且高效的定位并且快速熟悉周围环境是目前相关行业的研究热点,利用室内可以获取的各种信息进行定位和环境探测具有重要的现实意义和广阔的发展前景。本文以计算机图像、深度学习、视觉图像处理以及非线性优化等理论为基础,在经典同时定位与建图（Simultaneous Localization and Mapping,SLAM）理论框架的基础上,研究了未知室内环境下的定位技术。首先,本文对动态场景SLAM和多无人机协作定位研究现状进行了分析和总结,然后研究了室内视觉定位的相关理论基础,最后针对动态环境定位和多无人机协作定位展开了如下研究:（1）针对传统SLAM算法在动态环境中易受动态特征点干扰、定位精度较差和鲁棒性不高的问题,提出了一种动态场景下基于视觉SLAM的定位算法。首先,利用深度学习替代传统方法提取图像特征点,再基于特征点利用特征匹配算法关联数据信息,进行相机帧间位姿估计,实现动态SLAM系统前端的功能。在进行共视信息的融合后,建立了动态SLAM定位算法。数据集和真实场景实验结果表明,该方法能够有效降低动态点对定位的影响,提高系统的定位精度。（2）针对未知环境探测时单无人机耗时长、效率低、且鲁棒性不高、易出故障等问题,提出了一种多无人机协作的定位算法。首先,建立了多无人机的协作框架和通信机制,研究了系统的整体实现。接下来,在视觉词袋库的基础上对图像检索算法进行了研究,并在第三章的基础上,研究了基于互回环检测的定位优化算法。最后,基于互回环检测的结果,利用共视区域的坐标转换关系,实现多无人机地图点融合,并利用融合后的全局地图进一步提高定位精度。实验结果表明,本文提出的多无人机协作定位算法可以提高系统定位效率以及提高系统的鲁棒性,完成无人机群对于未知环境的探测。综上,本文对动态场景下基于视觉SLAM的多无人机协作定位方法进行了研究,并进行了实验验证。结果表明,本文所提算法对输入的图像信息进行数据关联后逐步扩大无人机的已知信息区域,完成在未知区域中的定位,在定位误差不大的情况下完成无人机群对于未知环境的探测。