近年来,无人机在军用、民用领域的应用日益广泛,无人机系统技术的研究得到了快速发展。然而,现有的基于程序控制/预规划的方法已经无法保证无人机的飞行安全。面对复杂高动态的任务环境,以及频发的无人机撞机事故,无人机的感知与规避问题已成为无人机发展的关键挑战之一。考虑机载传感器有限的感知能力,本文以小型旋翼无人机为研究对象,以深度相机为感知手段,以无人机的飞行安全为出发点,对未知环境下无人机的实时感知与自主避障问题展开研究。论文的主要工作包括:（1）针对无人机在未知环境下的实时感知问题,提出了基于深度图像的局部地图构建方法。首先将机载深度相机获取的深度图像转化为点云,对点云进行滤波处理以去除点云中的噪点。利用八叉树的可压缩和动态更新等特点,基于点云和八叉树结构增量的构建八叉树地图,并结合循环缓冲区得到以无人机为中心,且随着无人机的飞行实时更新的局部占用地图,为无人机后续的轨迹规划提供有界地图以进行实时碰撞检测。（2）针对无人机局部感知条件下的自主避障问题,提出了基于局部地图的实时轨迹重规划的避障方法。首先将轨迹规划问题解耦为前端路径搜索和后端轨迹拟合,轨迹采用B样条表示,得到能被无人机跟随的平滑轨迹。但是基于上述方法得到的不是最优轨迹,因此本文在此基础上提出基于均匀B样条控制点优化的轨迹重规划方法。该方法通过设计无碰撞问题的约束条件并进行优化求解,可以随着无人机的飞行实时的生成碰撞规避最优轨迹。仿真实验表明,基于B样条优化的方法与基于路径搜索的方法均能实现对静态障碍的快速规避,但是前者重规划避障轨迹所需的时间远小于后者,且能实现对动态障碍的有效规避。（3）针对无人机无先验知识条件下的离散/连续避障动作决策问题,提出了基于DDQN（Double Deep Q-learning Network）算法和PPO（Proximal Policy Optimization）算法的无人机反应式避障方法。首先将无人机的反应式自主避障问题描述为马尔科夫决策过程,然后建立视觉感知和无人机规避动作的映射关系,将无人机的前视深度图像、目标信息和上一时刻动作信息作为深度神经网络的输入,输出为无人机的动作控制指令。通过无人机与环境之间的交互,完成深度强化学习神经网络的训练,实现无人机自主避障的端到端控制。仿真实验表明,所提出的两种方法都能在没有引导路径和地图的条件下,成功的避开环境中的障碍并快速到达预期目的地,验证了方法的有效性,但PPO算法的收敛速度要快于DDQN算法。