果园移动机器人的自动驾驶作业能够减少农业生产对劳动力的依赖,提高果园中的生产作业效率。多智能体路径规划作为移动机器人集群实现自动驾驶的重要基石,一直以来是国内外研究者研究的主要内容。传统的路径规划方法存在着求解路径质量低、路径求解算法的适应性较差,针对这些问题,本文具体研究内容如下:（1）针对传统路径规划算法求解路径质量低并且适应性较差的问题,本文首先提出了一种多智能体路径规划算法集合,算法集合中囊括了多种类型的算法,丰富了模型的适应性。其次为了可以根据场景自动从算法集合中选择算法,本文提出了基于Res Net的卷积神经网络模型来完成算法的自动选择工作。并将单个智能体的最短路径嵌入地图与手工标注的MAPF特征进行联合后输入到模型的输入层中,扩大不同路径求解实例的区别,并借助迁移学习来提升模型学习的效率,提升模型选择算法的准确率与覆盖率,最后实验验证了多智能体路径规划算法选择模型的有效性和适应性。（2）针对多智能体局部路径规划,本文提出了基于PPO-IL强化学习的多智能体局部路径规划算法,在PPO强化学习的基础上加入了模仿学习（Imitation Learning,IL）,通过模仿学习中的专家演示,强化学习中的智能体可以得到经验,从而向着高质量的动作-行为空间移动,提高智能体的学习效率。通过实验验证,加入模仿学习的PPOIL相较于原PPO算法在多智能体局部路径规划算法收敛速度上有着一定的提升,并且路径规划的成功率和求解时间都有着一定幅度的提升。（3）针对果园中的多移动机器人路径规划,由于果园中存在着非结构化的特点,本文设计实现了一个面向果园的移动机器人集群路径规划系统,系统融合了上述两点中的多智能体路径规划算法,针对果园环境的不同可以相对应的选择路径求解算法,满足了用户精细化的需求。