作为一种高机动性的飞行器,无人机在早期就被用于航拍、监控、搜救、农业灌溉等多个领域,近年来,随着人工智能的高速发展,在城市管理、智能交通、电力巡检等多个领域又备受关注。而场景语义理解与感知技术是无人机安全飞行与执行任务的关键,成为各界人士的研究热点与重点。本文结合语义分割、目标检测和深度估计与目标测距这三个子任务,设计了场景的多方面语义理解与感知方案。目前国内外研究人士对三个子任务的研究已经取得了不错的进展,但由于无人机场景的复杂性与特殊性,对此方面的研究仍然存在一些问题:1)目前的语义分割模型仍然存在边缘像素预测不准确问题;2)相比自然场景,无人机场景更加复杂,尺度变化大,小目标较多,而无论是语义分割还是目标检测,对小目标的精度普遍较低;3)深度估计方面,目前高精度标注的无人机场景深度估计与目标测距数据集极其缺乏;4)目前的目标测距算法普遍过程繁琐且实时性较差。通过对现有模型与问题的深入分析,本文展开了以下四个方面的研究工作:（1）为实现无人机场景的语义分割,针对边缘像素预测不准确问题,本文以Deep Labv3+模型为Baseline,结合了更换骨干网络、点渲染模块Point Rend等多种模型结构改进技术和指数滑动平均等多种训练优化策略对模型进行了改进。然后通过在UAVid数据集上的11组消融研究实验,验证了本文多项改进技术的有效性,相比原始模型,本文改进模型的m Io U提高了13.11%。最后从定量指标分析与可视化效果两个方面进行了模型的纵向和横向对比实验,验证了本文模型在边缘像素预测上的有效性与精确性。（2）为实现无人机场景的目标检测,针对小目标检测效果较差的问题,本文在YOLOv5s模型的基础上,添加了一个额外的小目标检测头来提高对小目标的检测精度（称为YOLOv5s＿P2）,并结合Vari Focal Loss和Label Smoothing等多项训练优化策略进一步改进。为了最大程度的提高模型精度,引入了基于目标密度图的图像裁剪算法。然后通过在Vis Drone 2021-DET数据集上的6组消融研究实验,从定量指标分析角度验证了本文多项改进技术对小目标检测的有效性,并从可视化角度验证了模型对多种复杂场景的检测能力。相比原始模型,本文改进的YOLOv5s＿P2模型不仅提高了10.8%的m AP,还具有196 FPS的高实时性。最后进行了模型的横向对比实验,验证了模型的精确性。（3）为实现无人机场景的目标测距,本文摒弃了目前目标测距算法的两阶段繁琐过程,通过在YOLOv5s＿P2检测模型的基础上增加一个距离预测的输出通道,设计了一个端到端的实时目标测距模型,不仅结构简单,且保持了较高的实时性。为填补无人机场景目标测距数据集的空白,本文提出了基于逆透视变换的目标测距数据集制作方法,不仅适用于无人机场景,也适用于无人车场景。同时,为了提高模型的测距精度,设计了一个特殊的损失函数来提高模型的学习能力。最后在制作的3个目标测距数据集上做了9组实验,从定量误差分析和可视化效果两个方面充分验证了本文的测距模型及数据集制作方法的有效性与准确性。（4）本文融合了以上三项工作的结果对场景进行了融合感知实验,真正实现了无人机对场景的多方面语义理解与感知。