通过视觉实时精确感知机体自身状态和被跟踪目标运动状态,是无人机自主遂行特定任务的重要环节。近年来,基于视觉的目标位置估计研究取得了较为显著的进展和成果。姿态作为另一类空间状态,蕴含着位置无法表征的运动信息,研究位置和姿态的联合估计对于无人机任务能力提升具有重要的理论意义和应用价值。本文以序列图像为基础,分别从广义特征和深度特征两个层面入手,充分利用深度学习等新技术,在数据中挖掘并学习视觉目标的浅层及深层特征信息,开展针对无人机相关场景的目标位置和姿态联合估计方法研究。主要工作和研究成果包括:（1）构建了以序列图像为基础的目标位姿联合估计理论架构。剖析了基于视觉的目标位姿估计基本内涵以及研究难点,建立了由序列图像联合估计目标空间位置和姿态的理论框架,提出了以滤波递推为主体框架的目标位姿估计方案,并分别从传统的空间几何和新兴的深度学习两个角度揭示了目标位姿估计算法原理,为基于视觉的目标位姿估计问题提供了新的研究思路和方案。（2）建立了空间几何广义特征驱动的目标位姿滤波估计模型。以目标空间几何约束关系为基础,建立了目标位姿滤波估计预测方程和测量方程,从理论上证明了视觉位姿估计滤波模型的最优性。滤波模型充分利用了序列图像的时域关联,物理含义明确、可解释性较强,其严格的推导过程为获得精确的位姿估计结果奠定了基础。通过仿真算例验证,与经典方法相比,提出的位姿滤波估计方法不仅运行速度提高了约1倍,而且位姿估计的误差降低了约38%。（3）提出了空间目标锚点广义特征多分辨率深度学习检测方法。针对基于广义几何特征的目标位姿滤波估计模型的观测量需求,设计了目标锚点广义几何特征,建立了典型空间目标锚点构型选取准则,设计了基于区域分块的多分辨率锚点深度学习检测算法。仿真验证结果表明,基于区域分块的多分辨率锚点检测算法达到了98.7%的准确率,同传统的单通道锚点检测框架相比,提升了约5%;（4）构建了深度特征驱动的目标位姿端到端估计模型。设计了以神经网络为基础的目标位姿端到端估计模型,充分结合卷积神经网络的视觉特征提取表征能力和循环神经网络的历史状态记忆能力,构建了混合型目标位姿端到端估计神经网络,实现了位姿估计的高度集成化,降低了算法的参数调试成本。通过仿真验证了端到端估计算法对不同应用场景的强适应性,通过与经典端到端位姿估计网络的性能对比,在不降低算法运行速度的前提下,位置和姿态估计误差分别降低了约24%和21%。（5）设计了位姿估计端到端模型观测量转换参数解算方法。针对目标位姿端到端估计模型观测量对转换参数的需求,提出了视觉系统摄像机-云台-里程计外参数优化方法。该方法同时支持离线人工辅助模式和在线全自主模式,具有较强的应用场景适应性。针对典型应用场景的仿真与实验,验证了外参数优化过程的收敛性,以优化的外参数为基础,平均重建误差低于3 m,仅为目标距离的2.6%。（6）构建了序列图像目标位姿估计研究及综合验证原型系统,开展了目标位姿估计算法的实物综合验证。以地基视觉无人机降落自身状态监测和机载视觉地面目标自动追踪为应用验证场景,构建了实物验证原型系统,分别对广义特征和深度特征驱动的目标位姿估计方法进行了综合验证,实验结果表明,在经典的位姿估计方法基础上,广义特征目标位姿估计算法的平均耗时降低了近90 ms,且位姿估计精度取得了32%的提升;深度特征目标位姿估计算法分别在位置估计和姿态估计取得了14%的精度提升。上述研究工作和成果探索了从视觉序列图像到目标位姿的理论、模型、算法、验证等全链条研究,为人工智能技术与无人机系统的有机融合奠定了基础。