多旋翼无人机(以下简称无人机)因其拥有分量较轻、体积较小、灵活度较高及隐蔽性强等优点,如今已经逐渐成为民用/商业和研究领域的热点,而为保证无人机普遍应用于巡检、测绘、监测、快递等行业,高效、完全地完成既定任务,其实现自主精准定点降落的功能是迫在眉睫的。无人机实际进行应用时,若仅利用雷达探测和GPS定位技术,只能获得降落目标的粗略位置信息,无人机难以实现定点的降落,而通过研究图像处理技术,基于检测识别降落目标并跟踪的方法,可以计算得到多旋翼无人机与降落目标之间的相对位置,从而最终实现自主的精准定点降落。本文研究了基于目标检测识别与跟踪技术的无人机降落算法,内容主要包括图像预处理、降落目标检测识别并确认降落标志的编码、云台视野中运动目标的跟踪及跟踪结果自矫正环节。本文的主要工作及相关贡献有:(1)研究了两种检测识别算法,分别为基于ArUco标记的检测识别算法和基于分类器的检测识别算法,并对两种不同类型的降落标志的检测识别进行实验及结果分析,验证了可进行编码设计的ArUco标记作为无人机降落标志,可保证无人机能够有选择的进行降落,从而提高降落过程的准确性及灵活性,同时分析得到两种检测识别算法各自应用于降落时的优劣势。(2)针对无人机为实现自主精准降落,而需长时间准确、实时的定位降落目标这一要求,本文研究了传统的目标跟踪算法,包括结合目标检测及跟踪的TLD算法、基于核相关滤波器的KCF算法,并结合上述算法的特点,进行了初步的算法融合。(3)本文在降落目标图案可编码的基础上,针对降落过程中跟踪结果会受到光照、移动、遮挡、尺寸变化等因素的影响,提出了一种基于TLD框架及改进KCF的目标跟踪算法,该算法进行了 KCF与TLD算法的融合,并对KCF算法在多特征融合及尺度自适应方面进行了改进,尽可能地提升降落过程中跟踪部分结果的准确性和鲁棒性。(4)针对实际降落过程中算法实现应用所遇到的难点,以基于传统TLD框架及改进KCF的目标跟踪算法为基础,增加了跟踪结果自矫正环节,以提高整体降落算法的准确性。同时,将最终应用于实际的算法与原始的TLD算法、KCF算法和两种融合的算法进行测试并进行对比分析,实验证明本文提出的总体算法相较之下,实时性、准确率更高,应用于实际的过程中适应性与鲁棒性更强,使无人机在一般情况下的自主降落精度能够达到厘米级。