随着科技的发展,四旋翼无人机已经在各行各业之中被大量使用,但是它的姿态控制系统容易受到外界风扰和未知干扰的影响,而且四旋翼无人机大多选择精度低的廉价传感器,这些传感器获得的姿态信息中都存在大量噪声。因此,本文主要研究了姿态解算算法和姿态控制算法,来改善四旋翼无人机姿态控制系统的稳定性和精确性。首先,通过研究四旋翼无人机的基本构造特征与飞行特点,构建其非线性系统数学模型。其次,针对机载传感器所获取的姿态信息中存在噪声干扰问题。分析各机载传感器的特点,研究基于四元数的互补滤波算法与基于四元数的扩展卡尔曼滤波算法。通过对比飞行和静止两个状态下的仿真结果得出,基于四元数的扩展卡尔曼滤波算法对噪声具有较好的抑制效果。然后,针对风扰和未知干扰导致姿态控制系统模型不确定问题,结合反步法能够很好处理非线性问题的特点设计反步姿态控制器,然而MATLAB/Simulink仿真实验结果表明存在风扰时反步控制无法抑制扰动。所以又在反步控制方法的基础上加入滑模变结构控制与自适应控制,仿真实验结果得出加入滑模控制与自适应控制后抗风扰性能提高,但是对于未知干扰抗扰性能较差,而且自适应控制方法仍然无法满足未知的非线性动力学问题。考虑到RBF神经网络能够对未知的非线性函数实现任意精度的逼近,提出一种基于RBF神经网络的四旋翼无人机自适应反步滑模姿态控制器,并利用粒子群优化算法对各参数值进行寻优来提升控制器的精确性。通过使用Lyapunov定理证明该姿态控制器符合稳定性要求,MATLAB/Simulink的仿真实验得出,基于RBF神经网络的四旋翼无人机自适应反步滑模姿态控制器在抑制风扰和未知干扰方面抗扰性能较好。最后,为进一步检验设计的姿态控制器是否合理,利用现有的配件搭建了四旋翼无人机实验平台,通过分析APM飞控的程序结构,使用Notepad++软件和Arduino软件在姿态控制库中编译了RBF神经网络自适应反步滑模姿态控制算法。实际工况下的悬停飞行试验结果证明,基于RBF神经网络的四旋翼无人机自适应反步滑模姿态控制器具有较好的抗扰性能。