在复杂未知环境中，应用无人机自主搜索目标具有降低风险和成本，提高效率等价值。然而，现有方法往往存在目标遗漏以及飞行路径和时间较长的问题。在本文中，我们提出了Star-Searcher，该系统性的解决方案旨在实现高效自主搜索复杂未知环境。我们结合了两种传感器——通过LIDAR快速确定待检查的表面，以及通过RGB相机近距离扫描每个表面，以防止目标遗漏。为了避免重复访问相同区域和犹豫不决的运动，我们提出结合历史信息的分层规划器，它首先根据相互可见性将视点聚类成凸集，并在视点类之间执行考虑历史信息的全局路径规划。随后，在第一个视点类内生成局部路径，以快速扫描待检查表面。我们将我们的方法与最先进的自主目标搜索方法在仿真和实际环境中进行了比较。结果表明，我们的方法可实现更短的飞行路径和时间，以及更高的目标搜索完整性。我们的方法将开源供社区使用。
