近年来无人机技术在军事、民用等领域均取得了快速的发展,在电子侦察系统中,无人机由于具有体积小、机动性强、隐蔽性好等优点,得到了广泛的运用。随着无人机技术发展,多无人机协同作战是未来无人机作战方式的重要发展趋势,同时侦察无人机需要具有良好的侦察定位能力。因此,本文研究了基于定位的多无人机航迹规划技术,这对于提高定位性能、加快任务执行速度、增强作战效率有着十分重要的意义。本文主要研究内容如下:针对电子侦察系统中无人机在对辐射源进行无源时差定位时机群的编队形式会对定位精度产生影响的问题,本文通过将克拉美-罗界作为定位精度方面的优化目标,与路程代价、威胁代价等优化目标以及运动学约束、距离约束等一起引入多机的航迹规划中,使无人机在运动过程中保持良好编队,确保无源时差定位精度。针对具有多个优化目标的复杂环境中传统智能优化算法进行航迹规划时寻优能力不高、易陷入局部最优的问题,本文研究了一种基于自适应搜索的多目标蝗群优化算法(multi-objective grasshopper optimization algorithm,MOGOA)对多无人机的3维航迹进行规划。通过模拟蝗虫的捕食过程对搜索空间进行寻优,并通过采用Pareto前沿作为精英种群,增大了搜索中心选择范围,提高种群多样性,然后通过成功率自适应调整搜索范围变化情况。最后仿真实验表明该方式可规划出可靠航迹,并确保无人机飞行中无源定位精度,且本文算法相较于原始蝗群优化算法(grasshopper optimization algorithm,GOA)、MOGOA提高了算法的收敛速度以及全局搜索性能。本文将多智能体直接梯度深度强化学习(multi-agent deep deterministic policy gradient,MADDPG)算法引入了基于定位的多无人机航迹规划研究中,并针对目前深度强化学习在训练过程中存在训练量过大,采用边训练、边航行的方式进行航迹规划时难以保证实时性的问题,本文研究了一种MOGOA与MADDPG相结合的多无人机的3维航迹规划算法。通过采用MOGOA首先搜索无人机的最优位置,获得初始航迹,加快初次训练时的训练速度;之后的训练过程可根据前一次的训练网络进行训练,仿真结果证明该方式可有效提高算法的训练速度,并获得可靠航迹。