搜救无人机被越来越多的使用在户外救援和洪水、地震等自然灾害的救援任务中,高效的导航定位系统是影响搜救无人机执行任务的核心因素之一。但目前常用的无人机导航定位技术多为惯性导航系统和全球卫星导航系统组成的捷联式导航系统,这种导航方式依赖于GPS信号,因而并不适用于野外GPS拒止环境下。视觉导航和惯性导航具有较好的互补性,融合二者的导航方式能有效提高状态估计的可靠性和稳定性。因此本文就融合视觉与惯性的搜救无人机自主定位技术关键问题展开研究。首先,搭建了搜救无人机硬件平台。根据搜救任务需求,采用集成摄像头和IMU的小觅相机作为主要输入传感器,Jetson TX1作为图像处理平台,Pixhawk作为飞行控制器。针对搜救无人机的主要任务,分别设计了飞行控制系统、目标检测系统和自主定位系统的软件架构。其次,对基于YOLOv3改进的Gaussain-YOLOv3进行了研究,其利用高斯分布表达检测框的不确定性信息,提升网络检测精度。并针对嵌入式平台实时性要求,在Gaussain-YOLOv3的基础上提出了TG-YOLOv3(Tiny-Gaussain-YOLOv3)。根据搜救无人机作业需求,构建了无人机航拍数据集,训练了TG-YOLOv3目标检测模型,实验表明TG-YOLOv3的模型检测精度比Tiny-YOLOv3提升了7%。通过使用该模型在不同高度下进行目标检测实验,确定无人机飞行高度。然后,对无人机自主定位算法进行了研究。以特征提取算法SLC(Sub-pixelaccurate Low Complexity)-Harris作为视觉前端,该算法通过将一阶高斯导数核近似为方框核提升了特征提取速度,对光照变化更加鲁棒;其次针对IMU数据频率过高造成的重复积分问题,采用预积分技术处理图像关键帧之间的IMU数据,提出了一种视觉IMU耦合的初始化方式;针对滑动窗口中数据帧冗余问题,采用边缘化方式去除旧的状态帧,从而达到计算资源和精度的平衡;最后利用闭环检测消除累积误差,并通过重定位对齐场景中重复出现的关键帧,以得到更精确的轨迹估计。将本文算法与ORB-SLAM和VINS_MONO在EUROC数据集上进行实验对比,实验表明本文算法具有更高的定位精度。最后,将本文设计的目标检测算法和无人机自主定位算法融合,并移植到搜救无人机平台,在野外多场景下进行了无人机搜救实验。实验结果表明,在空地和树林等多场景下,搜救无人机均能实现对待救援人员的检测,并且具有较高的定位精度。