针对飞行器在不同本体参数偏差与环境干扰下的姿态精确稳定控制难题，提出一种融合小世界脉冲神经网络（SW-SNN）的强化学习姿态控制方法。构建了具有小世界拓扑特性的脉冲神经网络作为控制器核心，并基于近端策略优化算法设计了增强型Actor-Critic框架；通过时空反向传播算法更新SW-SNN参数，实现了策略的在线优化与离线评估的协同机制；进一步设计Lyapunov稳定性奖励机制，动态优化系统能量函数以增强渐近稳定性，并引入姿态角跟踪误差速度平滑性及连续惩罚项，建立稳定性约束与控制精度的联合优化框架。仿真结果表明，控制系统展现出快速动态响应，高控制性能以及强鲁棒性。在阶跃响应条件下，控制系统调节时间缩短至0.32 s，稳态误差低于0.001°；即便在气动力矩系数偏差为50%且惯性参数偏差为25%的极端条件下，控制系统依然保持稳定；设计的Lyapunov稳定性奖励机制使系统吸引域范围得到有效扩展，确保了控制系统在更大操作范围内的鲁棒稳定性能。

为避免传统建模方法存在的额外计算负担，本文采用六维参数扭量对四旋翼无人机进行位姿一体化描述，实现位姿紧凑参数化，建立无奇异、无冗余的动力学模型。基于Lyapunov稳定性理论，设计融合双曲正切滑模面与双曲余弦切换项的新型控制器，通过LaSalle不变集原理严格证明闭环系统全局渐近稳定性。最后基于Links-RT半实物仿真平台进行验证，结果表明该方法较传统方案在动态性能、扰动抑制及实时性方面均有提升，验证了其工程可行性。

针对除冰无人机系统在风场扰动和除冰碰撞下的位姿耦合控制问题，提出一种基于扭量理论的除冰无人机位姿一体化粒子群优化滑模控制方法。该方法建立了包含风场扰动与碰撞冲击的除冰无人机动力学模型，通过扭量理论实现了除冰无人机系统位置与姿态运动的统一描述。在此基础上，采用自适应增益调节机制协调位姿控制，在扭量框架下实现了位姿一体化控制。最后，通过仿真实验验证了所提方法在风扰和碰撞耦合的复杂工况下显著提升了轨迹跟踪精度和位姿抗扰能力。

研究了一类带有通信延时的一般线性多飞行器系统一致性问题。首先提出了一种考虑控制器与执行器之间、控制器与传感器之间和相邻飞行器之间通信延时的模型预测控制方法对通信延时进行补偿；其次为了节约资源、减少飞行器之间通信频率和控制更新频率，结合模型预测控制和事件触发原理，通过差分方程构造动态项，提出了动态事件触发模型预测控制方法。在该控制算法作用下，飞行器在带有通信延时的情况下能够实现一致性，并且通过理论分析保证了系统的稳定性；最后通过数值仿真实验，验证了所提算法的有效性，并且与周期触发相比，该算法触发频率降低了76.4%，与静态事件触发相比，该算法触发频率降低了31.4%，有效节约了系统的通信和计算资源。

针对固定翼无人机在区域覆盖监视任务中存在的动态探测特性与传统方法适配性不足问题，本文首次提出一种基于多机协同联合探测概率模型的优化部署策略。针对两机盘旋飞行并立协同覆盖监视，考虑无人机对目标的空间探测概率和时间监视占比，以最大化有效覆盖区的内接矩形为目标，设计了迭代优化算法求解两机最优部署参数。进而扩展至多机协同覆盖监视场景，设计了正方形网格化无人机部署方案。仿真结果表明，相比传统强效区覆盖，当空间探测概率为90%、探测时间间隔小于40 s时，可使有效监测区域面积提升80.8%，执行区域覆盖监视的无人机数目减少60%。

围绕低空经济背景下低空无人机具身导航的发展需求，本文从理论基础、关键技术路径与应用挑战3个维度进行系统梳理与分析：明确了具身导航相较传统导航在语义理解、环境交互和群体协同等方面的优势与研究价值；从传统同步定位与地图构建（SLAM）发展至视觉语言导航（VLN）与视觉语言动作模型（VLA）的技术演进过程出发，构建了面向低空无人机的具身导航技术框架；通过分析两个典型的应用案例，探讨了低空无人机具身导航在复杂环境下的实际应用趋势；对低空无人机具身导航的未来发展方向进行了展望，期望为智能自主导航的理论研究与行业应用提供有益参考。

针对无人机在执行自主导航任务过程中控制稳定性、导航准确性和泛化能力不足等问题，提出了一种脑启发的卷积-脉冲循环神经网络（CNN-SRNN）模型，实现了泛化性强的端到端稳定飞行导航策略。该网络架构模拟了果蝇大脑飞行控制回路功能，利用卷积神经网络CNN通过特征提取感知目标以形成高层视觉表征，并融合注意力机制以增强目标识别和定位精度，以循环连接的脉冲神经网络（SRNN）作为飞行导航控制器，实现时序运动信息整合与飞行控制。此外，基于Gershgorin圆盘理论设计了正则化策略以增强导航控制稳定性。在多样化环境中对无人机导航性能的评估表明，CNN-SRNN网络具有出色的场景泛化性、噪声鲁棒性与决策稳定性。进一步分析了脉冲循环神经网络活动与无人机飞行轨迹之间的编解码关系，揭示了类脑神经网络的导航控制机制，提高了模型可解释性。

针对吊挂时变负载的四旋翼无人机传统建模方法步骤复杂，以及面对复杂风扰传统PID自适应能力差的问题，提出基于凯恩法的动力学建模方法和一种自适应学习率的模型参考自适应控制（Model Reference Adaptive Control， MRAC）方法。凯恩法通过力与偏速度相结合，避免了牛顿-欧拉法需显式分析绳缆约束力以及拉格朗日法需构建拉格朗日函数并计算二阶微分的步骤，简化了计算过程。自适应学习率的MRAC通过自适应学习率以及变参数控制，使得四旋翼无人机具有抵抗风扰以及时变负载变化的复合扰动的能力，实现对位置和姿态的准确控制。仿真结果表明，在时变负载和复杂风场的复合扰动下，自适应学习率的MRAC超调量抑制以及收敛速度均优于传统MRAC。

为综合优化传统无人机协同编队的鲁棒抗扰能力、收敛时间以及控制精度问题，提出了一种基于粒子群优化的多无人机快速鲁棒协同控制方法。设计了可实现有限时间收敛的多无人机协同编队控制器，加快了传统分布式编队的响应速度；设计了扰动快速观测器以补偿控制系统，该观测器可在有限时间内准确估计复合扰动，提升了编队控制精度和鲁棒抗扰性；在此基础上，同时考虑闭环系统的收敛时间以及控制误差，采用惩罚粒子群算法优化编队系统的设计参数，综合提升了多无人机鲁棒协同控制的飞行性能。

针对共轴无人机姿态在风扰环境下易产生显著偏移与持续振荡现象的问题，提出一种自适应反步姿态控制方法。首先，对共轴无人机采用机理建模的方式建立含风扰的姿态动力学模型；然后，针对风扰导致的力矩和模型不确定性采用神经网络估计干扰的幅值，并通过自适应反步控制器实现姿态控制；最后，采用仿真试验测试了控制系统的姿态跟踪性能与抗干扰性能，并与采用PID控制器的模型相对比。试验结果表明，自适应反步控制在姿态跟踪精度与抗扰鲁棒性方面具有显著优势，超调特性与振荡抑制能力明显优化，为复杂扰动环境下的共轴无人机姿态控制提供了有效解决方案。

针对无人飞行器飞行环境强干扰，离线轨迹优化方法难以快速准确地获得轨迹末端速度问题，提出一种基于改进门控循环神经网络算法的速度预测-控制一体化算法，速度预测部分基于轨迹数据样本库训练神经网络模型的参数，以目标点位置、当前高度、速度和倾角等十一维特征序列作为输入网络，以最终时刻的速度为输出，从而获得能够预测末速的神经网络模型。基于速度预测的结果，运用速度与位置解耦的控制方案进行落速控制，根据预测的终端状态偏差校正生成落速闭环控制量。最后对所设计的速度预测及控制方法进行六自由度仿真验证，仿真结果表明该算法可以在六自由度闭环条件下实现对末速较为准确有效的速度预测及控制。

针对无人机在低空复杂环境下传统景象匹配方法无法有效剔除离群点导致定位精度下降的问题，提出一种改进的景象匹配定位算法。该算法首先利用三元关系对初始数据进行构建，之后提出三角特征相似性度量和最大欧几里得距离筛选的三元匹配优化方法，减少计算成本并提高匹配的正确率；其次采用数据精细分化策略进一步提高算法的采样性能。仿真实验结果表明，所提算法对于无人机在低空复杂环境下进行景象匹配定位具有较好的准确率和实时性，提高了景象匹配的计算效率和定位精度。

利用无人机等设备进行低空巡检是未来低空经济中的典型应用场景，红外成像作为低空环境感知的重要手段，其可信的数据集获取面临成本高、保密性难以保证的问题。本文提出了一种基于风格迁移的目标移植方法生成仿真红外图片。该方法以有限元分析求解目标温度场为基础，再考虑大气传输效应渲染生成初步的仿真图像，最后使用基于卷积神经网络的风格迁移技术，实现目标与真实红外背景图像之间的高质量移植。在实验中与传统方法在3个不同场景下进行对比，并在信息熵、峰值信噪比等客观指标下进行定量评估。实验结果表明，本文的方法在3个场景中信息熵、峰值信噪比、标准差、平均梯度及空间频率分别平均提高了5.82%、1.03%、4.24%、10.5%及33.58%。证明了本方法生成的图片在高频信息与细节保留方面与传统方法相比取得明显优势。

针对应急无人机承载通信基站面临的资源约束所带来的挑战，提出异构融合架构并开展资源优化研究；首先根据应急无人机子系统特性，构建空天地一体化异构融合应急通信体系框架，其次根据资源约束提出了具体性能指标和功能要求，并针对性地提出干扰解决方案，最后通过链路预算和实测验证，初步确定了建议速率下的覆盖范围。确保应急无人机在关键时候“飞得远、看得清、管得住、用得好”，助力低空经济健康发展。

针对密集障碍物环境下传统路径规划安全性不足的问题，提出基于面状障碍区Voronoi图的安全避障路径规划算法。首先，建立障碍区最小溢出率的圆形覆盖模型；然后，设计基于圆形覆盖的Voronoi图构建算法，构建可飞区域的骨架，进而基于可飞区域骨架，融合无人机运动学特性设计路径生成算法；最后，通过3次B样条实现了路径平滑。仿真实验表明，与改进的A*算法得到的路径相比，本算法得到的路径在保持长度的同时，路径更为光滑、与障碍区的距离更远，体现了算法在避障安全性方面的优势。研究成果为复杂城市环境下无人机安全飞行提供了实用性的解决方案。