随着无人机控制技术的发展，使得其在民用领域和军事领域都凸显出巨大的应用空间，并且这种趋势已初露端倪。要想实现无人机更高的自主性和智能性，不需要人的控制而准确地完成任务，首先要解决的是无人机的自主定位与导航和地图构建问题。为解决该问题，将同时定位与地图构建(SLAM)方法应用于无人机领域是近年来的研究方向之一。本文主要研究基于滤波算法的无人机视觉SLAM后端优化方法，无人机使用相机等视觉传感器完成环境特征提取，并根据环境特征点的观测信息更新、估计自己的位姿状态，同时建立环境地图，于是无人机能够在未知环境中完成自主飞行与导航任务。
　　本文首先介绍了当前无人机导航方式存在的弊端，总结了四旋翼无人机的优点，论证了无人机实现同时定位与地图构建(SLAM)功能的重要性与必要性。接着对SLAM技术的研究现状做了详细介绍，提出了经典视觉SLAM方法的框架，列举了无人机SLAM的研究难点，并说明了本文的主要研究内容。
　　然后通过对四旋翼无人机进行线运动和角运动建模，将视觉SLAM的一般数学描述方程与四旋翼无人机的运动模型相结合，建立了针对无人机的视觉SLAM状态模型和量测模型，为下文的工作打下基础。
　　随后，为将滤波优化算法应用于SLAM中，将SLAM问题中状态变量的后验概率表示为己知量递归求解的形式，进而对基于扩展卡尔曼滤波的无人机SLAM(EKF-SLAM)算法进行了研究。针对EKF-SLAM方法存在线性化误差，计算量大等缺点，研究了基于Rao-Blackwellized粒子滤波的无人机SLAM(FastSLAM)算法。FastSLAM算法继承了粒子滤波的易实现性和非线性，并大大加快了SLAM的运算速度，但也存在一些缺点。
　　接着，本文具体研究了FastSLAM方法存在的一些缺陷。针对这些缺陷，分别将粒子群优化算法和人工鱼群算法与FastSLAM方法相结合并对它们进行适当改进，克服了粒子滤波的重要性分布次优、样本枯竭和所需粒子数量大等缺点。
　　最后针对本文的不足之处及无人机视觉SLAM技术近几年的发展趋势，对本文的后续研究工作进行了预测和展望。