机器人从诞生到现在已经有了长足进步和发展。其中,能够在工作空间中自主运动的移动机器人更是发展迅速,成为机器人学中繁荣发展的一个分支。而路径规划是移动机器人学中的一个经典问题,它要求得到从机器人起始位置到目标位置的一条无碰路径。本文主要研究静态环境下的移动机器人路径规划。针对局部路径规划问题,提出了一种转角预测方法,该方法结合二分K均值算法和卷积神经网络,本文对模型进行详细介绍,并设计实验,证明其相对未结合聚类算法的卷积神经网络在对移动机器人转角预测准确率和速度上都占有优势。针对全局路径规划,在多步长蚁群算法的基础上进行改进并提出了一些创新点:1.提出U性障碍物处理策略,针对陷入U行障碍物的蚂蚁路径上的信息素进行处理,提升算法寻优能力;2.提出了路径优化策略,对于每次迭代寻得的最优路径进行优化处理,优化处理后的路径更短且平滑;3.初始信息素的不均匀分配,设计相应公式,提升算法初始寻优能力;4.针对迭代过程中的寻径特点将整个过程划分为三个阶段进行研究,针对不同时期的路径寻优特点设计相应公式实现信息素启发因子、能见度启发因子、信息素挥发因子的自适应更新;5.为减小机器人转角损耗,引入转交参数对概率转移公式进行改进,同时引入通行度概念到转移方式选择策略中;6.对评价机制进行了更新,让路径的选择更为合理。最后通过实验对比,验证得到该算法具有较快的速度和较强的全局寻优能力。