智能自主无人机系统在工业、农业、智能交通及国防领域具有广泛的应用前景,这些应用涉及无人机与环境的交互,有诸多关键基础和共性技术需要解决,其中自主导航和飞行控制是最重要和最具有挑战性的问题。模仿学习、强化学习和自适应控制是研究自主导航与飞行控制的重要方法。模仿学习算法从自动驾驶数据和图像分类数据中学习自主导航策略,但这些策略不是来自于无人机操控员;强化学习算法操控无人机与环境交互,探索学习飞行策略以实现自主导航,由于缺乏精确的环境状态量,强化学习算法无法有效地进行探索学习;已有的控制算法能有效处理模型不确定性问题,但在外界扰动和执行器故障情形下无人机位置和姿态的跟踪控制问题还未得到有效解决;传统的基于神经网络的控制算法是半全局的,未能达到全局稳定性的结果。这些问题都可能导致无人机自主导航与飞行控制失效。本文针对无人机在未知环境下的自主导航和飞行控制问题开展研究,主要工作及贡献包括:（1）研究了基于模仿学习的四旋翼无人机自主导航算法。首先,提出基于模仿学习的自主导航算法,采集人类专家操控无人机飞行时的观测-动作数据并整理成数据集,使用数据集训练卷积神经网络,经过训练的卷积神经网络能够像人类专家一样操控无人机飞行。其次,提出基于位姿操控策略的自主导航算法,设计了偏航角分类网络对无人机的偏航角进行分类,设计了偏移量分类网络对无人机的偏移量进行分类,使用分类结果计算出偏航角,使用该偏航角能操控无人机在安全区域内飞行。最后,在道路上对基于模仿学习的自主导航算法进行有效性验证,在室内通道中对基于位姿操控策略的自主导航算法进行有效性验证。（2）研究了基于深度强化学习的四旋翼无人机自主导航算法。首先,针对现实世界中的环境状态量难以精确测量的特点,使用环境观测量代替环境状态量建立自主导航的马尔可夫决策过程。其次,提出确定性策略梯度与卷积神经网络相结合的自主导航算法,设计了策略网络观察环境并生成飞行动作,设计了评价网络对策略网络进行评分。探索学习过程中,策略网络提高操控无人机飞行的能力,评价网络提高评分能力,策略网络最终能操控无人机在室内通道中安全地飞行。最后,在室内通道中对基于深度强化学习的自主导航算法进行有效性验证。（3）解决了在模型不确定性和执行器故障的情形下,四旋翼无人机位置和姿态的跟踪控制问题。首先,建立四旋翼无人机的非简化动力学模型,以便于控制器设计。其次,设计间接式的神经网络自适应容错控制器,确保在模型不确定性和执行器故障情况下,对四旋翼无人机位置和姿态的稳定跟踪控制。最后,通过数值仿真验证了所提出方法的有效性。（4）解决了在执行器故障导致系统动力学模型发生改变的情形下,无人机系统的跟踪控制问题。首先,建立了一个能够反映系统突然或逐渐发生改变的自重构非线性动力学模型。其次,提出了一种基于神经网络自适应的控制方案,能够保证自重构非线性无人机系统的全局指数稳定跟踪控制,并解决了神经网络在回路中的可靠运行问题。最后,通过数值仿真验证了所提算法的有效性。