近年来,随着民用无人机的普及与图像处理技术的兴起,越来越多研究人员使用基于无人机的遥感图像采集平台采集农情信息,并对农情信息进行离线分析,进而指导施药工作。若农情采集和分析能实时进行,不但能及时获取农田的病虫草害信息,及时开展统防统治,进而还能通过一次飞行实现农情分析与植保作业同步进行,这不但能大大提高植保作业的效率,还能为精准喷洒提供技术支撑。目前农用无人机的飞控系统常常是封装的,用户无法进行二次开发,无法按用户特定要求进行农情信息采集,也不能实现实时分析。为此本文以DJI经纬M100作为飞行平台,研究采用一种低功耗、高性能的Jetson TX2嵌入式处理器作为飞控二次开发的硬件平台,实现对无人机的飞行控制,并结合全卷积神经网络算法构建基于嵌入式的无人机推理系统,完成农情的实时分析。本研究的研究内容及结果具体包括:（1）以经纬M100无人机为开发平台,研究采用Onboard SDK以及QT creator开发工具开发了运行于Jetson TX2的无人机飞行控制程序,并采用QT creator开发平台开发了运行于Linux操作系统的PC端地面站程序,以及利用Jetson TX2处理器及无线串口模块开发了无人机飞行控制系统。利用地面PC端程序控制无人机飞行控制系统进行图像采集以及操作无人机进行起飞、降落、三维飞行等操作。（2）利用Google Map API实现离线瓦片电子地图的开发,PC端地面站能实时获取无人机的GPS位置,并利用离线瓦片电子地图为无人机规划图像采集航线,离线瓦片电子地图能对航线信息进行编码,并通过无线串口通信发送至基于Jetson TX2的飞控系统,飞控系统对航线信息进行接收解码,进而实现对无人机的航线规划。（3）研究水稻杂草识别算法,利用Alexnet-FCN训练出基于水稻杂草识别的全卷积神经网络模型,算法对识别图像进行自适应的特征筛选,及像素级别的分类,进而对水稻与杂草区域实现语义级别的图像分割,最终使像素精度达到91.2%。（4）实现水稻杂草识别模型在基于Jetson TX2的飞控系统的移植,并使用高性能深度学习推断引擎Tensor RT对模型的运算进行加速,对比FP32和FP16两种权重精度的推理精度和速度,实验证明使用FP32权重精度对分辨率为1000×1000的图片进行推理识别率为80.9%,推理速度为1.1FPS,而使用FP16权重精度的识别率为80.9%,推理速度为4.5FPS。如上所述,本研究所开发的基于嵌入式的无人机飞控与推理系统作业具有一定程度的可行性及实用意义。