近年来,随着智能传感与决策技术为代表的AI技术的快速发展,无人机的智能化与自主化程度也越来越高。特别是无人机对周边环境的智能感知建图,以及在此基础上的自主路径规划与导航,已经成为了该领域的研究热点。视觉SLAM（Vision Simultaneously Localization And Mapping）作为智能感知与决策的核心技术,能够依靠视觉传感器为无人机提供丰富的环境信息,在载荷有限的无人机上得到了较为广泛的应用。但是由于视觉SLAM对环境亮度较为敏感且所提取到的冗余特征较多,故而容易造成运算量大、实时性较差、鲁棒性不高等问题。针对上述问题,本文提出了一种基于自适应阈值的特征提取方法。该方法首先对采集到的图像进行边缘扩展获得边缘角点,来计算预留半径,然后对图像进行网格化和自适应阈值的角点提取,从而获得稳定、可靠的特征点信息。另外,针对特定计算中的信息冗余而造成计算量大这一问题,根据图像采样层期望的不同特征点数量来设定不同的四叉树高度,实现对特征点的采样优化,减少冗余特征,从而确保SLAM技术建图的实时性。在基于SLAM构建出的环境地图的无人机路径规划中,传统A*算法的计算量会随着节点数的增多而不断增加,降低了计算效率,从而造成无人机自主路径规划实时性不强等问题。本文提出了一种改进的A*算法,该算法利用权重值对A*算法成本函数与启发函数进行平衡,之后针对启发式函数建立约束模型并求解最小值,从而获得在特定环境下改进的A*算法路径规划最优解。同时,在节点的搜索的过程中的,对搜索角度进行优化来减少了节点的搜索次数,避免飞行中产生小角度拐点的问题。最后,在Ubuntu16.04系统下搭建了基于上述工作的视觉SLAM无人机路径规划实验平台,并利用公开数据集以及自制数据集对所提方法进行了验证。结果表明,本文所搭建的视觉SLAM无人机路径规划平台可以有效且精准地完成定位及建图,并在所建立的精确环境地图中进行稳定可靠的路径规划,最终验证了所提算法的可行性。