自主水下航行器(AUV)自主地进行水下归航,和母艇对接进而实现回收,可加强执行不同任务的AUV同载人潜水器之间的物理联系,共同提高AUV和载人潜水器的作业能力。在AUV的动态回收过程中仍然存在一些亟待解决的问题,其中本文主要研究AUV回收过程中的导引定位,回收安全性的量化与轨迹规划问题。本文针对上述问题,进行了如下研究:首先,设计了水下超短基线(USBL)定位同惯性导航航位推算相结合的融合导航系统,提出了一种载人潜水器(HOV)回收AUV的导航方法。其中,AUV携带的水下导航传感器有,超短基线(USBL),多普勒速度仪(DVL)和惯性导航系统(INS)。通过使用这些传感器的信息,建立了组合USBL定位和惯性定位的协同导航模块。在这项研究中,由于声学通讯和USBL通常不同时工作,即AUV和HOV之间没有通信;因此,为了使AUV获得惯性坐标中的HOV位置,提出了一种推算HOV运动的状态估计方法。为了获得更好的导航精度与导航信息的可用性,设计了一种被称为单步航位推算的组合导航方法,这种方法相比于惯导与USBL的松组合具有更高定位精度,且相比于单独采用USBL定位其数据更新率更高,保证了导航信息的平稳输出。其次,安全是AUV回收过程中最受关注的要点,针对回收过程中海洋的特殊环境,提出了一种考虑多因素的安全性的判定方法,将安全性进行了量化。这种安全性判定方法不仅同地图特征有关,同时和海流对AUV的影响以及AUV本身的状态也有关系。再次,根据母艇回收AUV的背景设计了回收过程,在精确导航的前提下预测母艇的运动,设计了路径规划的场景。因为安全性判定同AUV本身的状态相关,因此采用强化学习中的Q-learning方法规划出一条安全路径。针对地图范围增加时,Q学习的“维数爆炸”问题,提出了一种结合了平均安全性的A*算法用于计算在低分辨率地图下的区域路径,生成相连的目标区域并分别构建子地图。为了在相邻目标区域中找到起始点与目标点,应用“广义投入产出方法”计算该区域的导航点。最终生成动态回收AUV的路径点。最后,在路径规划计算出路径点后,根据AUV的速度约束和加速度约束进行轨迹规划,生成路径的速度剖面和加速度剖面。