四旋翼无人机应用逐渐朝着小型化,智能化方向发展,经常面临在复杂环境下进行作业,这种条件下由于GPS(Global Positioning System)信号较弱,视觉纹理稀疏或光线不足导致传统的状态估计算法失效,无人机很难稳定安全地进行自主导航等智能应用。本文通过研究分析四旋翼无人机的空气动力学模型揭示出四旋翼飞行速度的可直接观测性。基于该特性,本文提出了两种状态估计的解决方案。一是基于机器学习的四旋翼无人机飞行速度估计方法,采用SVM(Support Vector Machine)学习模型关系,并最终预测飞行速度;另一种是基于多传感器融合滤波的状态估计器,融合对象包括惯性测量单元、光流计、磁力计和超声波,滤波框架采用扩展卡尔曼方法。在设计卡尔曼过程时,本文将空气动力学模型中的诱导阻力系数作为状态向量中一员,使状态估计能够自适应空气密度,电机转速等变化造成的影响。此外本文还提出了一种能够自适应调整光流计观测噪声方差的方法,使得系统在光线变化的场景下能迅速评估光流计算结果的好坏程度,以便调整视觉定位结果在状态估计中的权重。经过采取不同飞机平台在不同场景下的实验对比,实验结果表明在复杂条件,如夜晚弱光环境下,现有方法基本失效,而本文所提出方法依然能正常工作,当飞行速度在3m/s左右时,对速度估计的平均误差大约在0.3m/s。