随着无人机应用场景的不断扩展,所面临的使用环境也越来越复杂,甚至是未知的场所。因此,对环境的智能感知能力对智能无人机而言,则显得越来越重要,这也是无人机发展的一个重要方向。同时定位与地图构建(Simultaneous Localization and Mapping,SLAM)作为无人机、无人车为代表的智能体核心技术,在智能化领域占有重要的地位。SLAM技术能够解决机器人定位以及环境地图的重建,这也是智能感知的基础。而视觉SLAM,特别是单目视觉SLAM,由于能够运用机载相机,而无需增配其他传感器,来提供丰富、人眼可见信息的同时,来构建地图和实现定位,因而在载荷限制较多的智能无人机上应用广泛。但是,现有的单目视觉SLAM方法中存在容易受光照影响而产生过多的地图噪声,以及无人机轨迹估计不够准确造成算法的适用性不强,鲁棒性不高等问题,在一定程度上影响了该技术在无人机上的应用。因此,本文首先针对直接法DSO(Direct Sparse Odometry)容易受到光照条件影响的缺陷,提出一种基于DoN(Difference of Normal)的点云后端优化方法。该方法首先把点云栅格化,并计算每个栅格中点云不同尺度的DoN差分算子,选择最小的差分算子所在的栅格进行DoN滤波处理,从而达到滤除低频噪点信息,确保地图点云数据不变的情况下,地图目标更为直观、细节特征更明显。然后,论文就半直接法的SVO(Semi-direct Monocular Visual Odometry)存在轨迹定位估计不够精确的问题,提出一种设置阈值,在特征点数目不够的情况下增加线段特征点的改进FAST(Features from Accelerated Segment Test)方法。该方法通过设置阈值来增加线特征的检测,并将提取所检测线段的特征点加入到FAST特征点集中,从而通过增加特征点来提高相邻帧之间匹配准确性,来实现对无人机轨迹估计的精度优化。最后,本文搭建了基于上述工作的无人机单目视觉SLAM验证平台,对所提方法进行试验验证。结果表明在相近点云数量下,基于本文所提的DSO改进算法重建的地图特征更明显,信息熵值更高;而改进的SVO轨迹估计算法能够有效地改良轨迹估计问题,能够实现更加精准的无人机定位。