随着无人机系统在稳定性、载荷、航时等方面的不断突破,无人机在工业、农业、军事甚至物流领域取得了广泛的应用。在无人机的自主起降尤其是固定翼无人机的自主降落环节,仍缺乏在GPS拒止环境下可靠、高效、无干扰的定位引导方式。本文主要针对固定翼无人机自主起降过程中可靠、高效定位引导的问题,发挥地基视觉引导系统计算资源丰富、不受载荷限制、视觉被动成像没有干扰的优势,引入端到端的深度学习目标检测算法和基于滤波的无人机空中位置快速估计方法开展研究。本文主要工作及创新点如下。(1)提出了地基视觉引导系统的深度学习型处理架构。硬件层面充分利用地基部署模式计算资源扩展便捷的优势,构建了CPU/GPU混合计算平台,有效支撑深度学习,提升系统实时性;软件层面,将系统从Windows迁移至Ubuntu,基于ROS标准协议开发,兼容开源算法,缩短开发周期。(2)研究了无人机目标快速检测的端到端深度学习算法,实现了基于Xplane场景模拟的无人机地基视觉引导标签样本图源批量自动生成。采用端到端的深度学习目标检测框架,对地基视觉引导系统获取的无人机目标进行检测,目标检测算法获得图像后直接回归出图像中包含的目标及其位置。引入深度学习后,目标检测的难度部分的转移到了优质的标签数据获取上,采用Xplane飞行模拟环境,通过坐标系转换和投影关系直接获取包含无人机目标位置的标签数据,与实际飞行标签图源相结合,扩充训练集,提高网络的分类识别能力。(3)提出了一种了基于深度学习目标检测、跟踪以及目标丢失判断与再检测的算法框架。针对无人机降落过程中目标飞出引导系统视野等情况,探索了基于图像的互相关性进行目标跟踪失败判断方法,通过对当前帧图像跟踪到的目标区域与被跟踪目标的作相似性响应,依据相似性响应输出的峰值-旁瓣比(PSR)评价跟踪效果并设定阈值判断跟踪失败。本文提出了一种了基于深度学习目标检测、深度学习目标跟踪以及目标跟踪失败判断的算法框架,依靠深度学习目标检测算法的高准确率,进行目标检测和目标跟踪环节的首帧初始化,发挥深度学习目标跟踪环节实时性高和对无人机目标降落过程中尺度变化不敏感的优势,并通过目标跟踪失败判断环节评价跟踪的效果,及时发现目标跟踪失败并重新进行目标的检测和跟踪环节的初始化。