实时的飞机起落架状态监测旨在对飞机目标进行检测的同时获得起落架的角度信息,是飞机安全降落的必要条件。近年来,以深度学习为基础的目标检测模型和基于单幅RGB图像的位姿估计方法有了很大的发展。已有的起落架状态监测是由飞机自行监测后汇报给地面塔台,本论文提出了一种基于单目相机图像及飞机的三维模型由地面直接监测飞机起落架状态的方法。输入是单幅RGB图像,经过目标提取和归一化模块获得起落架关键点坐标和飞机检测框,判断飞机检测框内起落架的有无,并提取飞机图像。提取的图像经过尺度归一化后输入向量场网络,得到机身关键点。然后在没有深度信息的情况下,根据二维图像关键点位置和飞机的模型结构计算出起落架和机身平面的角度。在此过程中,基于像素和关键点的距离改进了向量场损失函数,并且制作了一个包含不同角度起落架的飞机仿真数据集,数据集共有四万多张图片。本论文首次提出用于检测起落架角度的算法,在自制数据集上的测试结果表明,角度检测的平均误差达到8度以下。本论文主要的创新性研究工作及研究成果如下:（1）分析了起落架状态监测的监测目标、应用特点和性能评价标准。（2）飞机目标尺度变化大的问题,本论文基于YOLO-V4设计了一个目标提取和归一化模块。功能是提取飞机目标区域的图像,归一化目标图像大小,减少因尺度变化带来的机身关键点像素位置误差。（3）针对起落架可活动的问题,将飞机分成机身和起落架两个部分来检测关键点。起落架特征明显,由目标提取和归一化模块来检测。飞机的其余部分可以视作刚体,采用鲁棒性强的像素级投票网络PVNet来检测。（4）针对没有起落架角度的数据集的问题,我们利用飞机CAD模型制作了含有不同角度起落架的飞机仿真数据集,适用于本论文算法。（5）针对飞机的深度信息获取困难的问题,我们设计了CAL模块,已知飞机模型结构由二维图像关键点像素位置直接计算起落架角度。CAL模块避免了回归飞机空间姿态,提高了测量精度。（6）对算法的各模块和创新之处进行消融和对比实验,对提出的起落架状态监测算法进行了性能评价。