近年来,在全球“工业4.0”、“中国制造2025”等市场背景的推动下,以模拟人类视觉实现物体识别、目标跟踪、目标检测等任务的机器视觉技术得到了大量的应用,其涵盖了军事、医药、工业、航空航天等科学研究领域。其中,基于无人机平台的航拍系统作为一种全新的机器视觉方案近年来逐渐受到人们的广泛关注,因为通过无人机和相机的组合可以充分发挥无人机灵活度高、环境适应性强等优势进而实现即时高效的诸如目标识别、检测等视觉任务。值得注意的是目前绝大多数的机载相机方案都是采用传统透视相机作为成像平台,受到固有视角范围的限制,其不可避免地会存在视角盲区,这对于军事、监控、自动驾驶等对环境信息准确性、全面性要求极高的领域可能会带来不可估量的损失。因此,本文提出了一种利用具有360°视角鱼眼球面相机代替配备传统光学镜头平面相机的无人机机器视觉方案。该方案充分发挥了鱼眼镜头超大视角的优势,成像方面相较于传统相机拍摄的图像可以包含更多的数据信息,同时图像合成方面相较于多平面镜头图像的拼接简化了大量数据的采集和避免了大量硬件资源的使用,具有广泛的应用场景。虽然采用鱼眼球面相机获得了更广泛的视角范围,但同时也不可避免地引入了图像的畸变与失真。所以本文从搭载球面相机的无人机机器视觉平台出发,基于鱼眼图像的畸变处理方法和深度学习技术对无人机平台下球面图像分类与目标检测做出了相关研究,主要包括以下工作:（1）本文首先介绍了传统透视镜头和鱼眼镜头的成像原理及其对应的光学模型,同时详细说明了鱼眼镜头成像的投影模型并通过传统相机图像和鱼眼镜头图像的对比分析了鱼眼镜头畸变失真的原因以及传统的校正方法。此外,为实现基于“无人机+360°全景相机”的图像分类和目标检测,本文还对神经网络的基础理论进行了相应的介绍,着重分析了卷积神经网络（Convolutional neural network,CNN）在图像处理方面的原理及应用并就CNN发展历程中经典的网络模型特点进行了分析总结。（2）为了进行基于无人机平台的球面机器视觉相关研究,本文利用中科浩电的E360系列多旋翼无人机以及理光的高清鱼眼摄像机THETA V等设备搭建了相应的无人机球面视觉硬件平台。基于该平台,本文在西南大学范围内建立了一个用于场景分类的球面全景数据集SWU-classify,其中主要包括学校东方红会议厅、校史馆、体育馆、半月楼等标志性地点。利用建立的数据集,本文分析了机载球面镜头成像方案存在的一些问题并提出了相应的图像预处理方案。此外,本文还提出了一种基于离散球面图像特征的场景分类方法并与已有的球面图像投影方式作了相应比较（应用VGG、ResNet以及EfficientNet于等距表示的全景图像）,分析了算法在噪声和图像旋转（无人机震动引起）下的性能表现。（3）除了对“无人机+360°全景相机”在场景分类任务中的相关探索,本文还基于无人机平台建立了 一个用于目标检测的球面全景图像数据集SWU-detect并进行了相关的目标检测任务研究。首先本文就two-stage的Faster R-CNN和one-stage的SSD目标检测算法分析了其在球面图像目标检测中的表现,其次本文还分析了目前综合性能最好的YOLOv5算法在相应检测任务中的表现,特别地,考虑到球面图像平面表示方式引入的几何畸变,本文基于可变形卷积对YOLOv5算法进行了相应的改进,仿真结果表明本文所提出的改进方案在应用于存在几何畸变失真的目标检测任务中有不错的优化效果。