近年来,无人机以其低成本、零伤亡、高机动、可重复使用等诸多优点,被广泛用于战场侦查、通信中继、火力打击、电子对抗等国防和军事领域,在民用领域,无人机多以旋翼无人机为主,被广泛用于航拍、快递配送、电力巡线等活动。由于其在军民领域应用的广阔前景,各国十分重视无人机技术的发展。在无人机引导着陆过程中,无人机的姿态是重要的控制指标。现有的地基视觉无人机引导着陆系统只关注无人机在空间的三维坐标位置,没有对无人机进行姿态检测。针对该问题,本文以实验室现有的引导系统为基础,深入研究基于学习型锚点的无人机姿态估计方法,通过构建数据集,搭建并联的深度神经网络,对地面相机采集的图像中无人机锚点进行快速准确的估计,通过求解PnP问题、卡尔曼滤波等技术,估计无人机的姿态信息,实现了降落过程中地基引导系统对无人机姿态的快速准确估计。本文的主要工作和研究成果如下:(1)提出了地基双目视觉引导系统引导降落过程中的固定翼无人机的多锚点驱动姿态估计方法,并开展了算法的ROS实现研究。定义了一组学习型锚点来表征无人机姿态,针对无人机的复杂降落背景,开展深度学习方法,利用CPU和GPU并行架构,完成对无人机高维特征的检测,在ROS框架下完成消息传输和数据处理。(2)构建了从双目视觉图像到无人机锚点分布的端到端深度卷积神经网络,并组建了固定翼无人机姿态数据集。通过Caffe框架下并联多个CNN网络,完成了无人机锚点的准确提取。综合外场实物飞行数据及仿真数据得到混合数据集,通过训练提升了神经网络的泛化能力,提高了其在测试集上的准确性。(3)设计并实现了从多锚点到无人机姿态的两种估计方法,结合仿真和实飞数据对比分析了PnP和EKF两类方法的准确性。搭建了基于Gazebo的Pixhawk在回路的半实物仿真环境,分析不同降落情况下的姿态估计数据,验证了姿态快速估计系统的准确性和实时性。