无人机在近些年得到了越来越广泛的应用。由于无人机及搭载的设备往往造价昂贵,若在飞行中出现意外,不仅会严重损坏无人机和搭载设备,还会对地面的设施造成不可预知的伤害,若伤及行人后果更是不堪设想。无人机的自主安全降落作为安全飞行的重要一环,目前仍有很大提升空间。目前针对无人机飞行安全的技术方案大多依赖于全球定位系统（GPS）信号。然而,GPS信号易受到外界因素干扰且易丢失。本文研究内容是紧急情况下无人机依靠摄像头如何依靠视觉的方式找到合适的着陆点降落。同时需要克服算法在新场景下部署困难,需要大量标记数据,以及如何快速高效的将训练好的自主降落模型迁移至新场景下的问题。为了解决这些问题,研究内容主要包含以下两个部分:（1）提出基于图卷积神经网络的深度学习模型学习视觉运动控制策略,通过考虑着陆地形的连通性以实现在紧急情况下实现无人机的自主着陆。本文提出了一种基于图卷积网络（GCN）的混合决策网络,可同时利用场景相关的像素块和跨场景（包括仿真场景）的图结构,从而利用更多的数据提高模型的准确率。本工作将原始图像转换为图结构,作为混合决策网络的输入。混合决策网络直接输出控制指令,引导无人机在环境中找到合适着陆区域并安全着陆。（2）通过对传统的卷积神经网络（CNN）改进其网络损失函数使得网络学习到更具判别性的特征,提高各种地形分类任务的准确率。为了将训练好的混合决策模型迁移至新场景使用,有效的提取节点特征可快高效地辅助算法跨场景部署。由于新场景可能较为复杂以及地貌图像块在新场景中往往类别不均衡,将训练好的混合决策模型直接迁移到新场景中,特征提取模块往往无法较好的工作。因此本章节提出了基于类中心权重特征提取算法,通过引入类中心权重自适应损失函数,来提高特征提取性能,从而提高了无人机的自主降落的成功率。为了验证该方法的可行性和有效性,在仿真和真实场景下都对所提出的方法进行了评估。本文所提出的降落方法,使无人机在紧急状况下仅依靠视觉能够自动识别地面环境,并自主决策找到合适的着陆点安全着陆,大幅提升无人机的飞行安全,自主降落成功率达到88%。