无人机航迹规划可以概括为在特定的约束条件下,搜索出一条既符合无人机机动性能要求同时又满足外在环境限制的最优飞行航迹,其中规划出的最优航迹必须满足航迹可用性、安全性、低代价性等要求。航迹规划算法是直接影响最优航迹搜索结果的关键,因此航迹规划算法的研究对于提高无人机飞行时的生存能力和执行任务能力具有重要的意义。论文围绕无人机航迹规划算法中的A*算法和蚁群算法展开了研究,首先对航迹规划算法的种类进行了分类介绍,分别从优缺点和使用范围等方面对这些算法进行了分析。并介绍了航迹规划基础模型的建立方法,其中包括航迹空间的表示方法、无人机运动学模型、约束条件模型以及航迹评价分析模型。然后,在建立的航迹规划基础模型之上研究分析了A*算法和蚁群算法的基本原理和数学模型,分别建立了环境威胁模型对算法进行了仿真,验证了两种算法求解航迹规划问题的可行性。针对蚁群算法在搜索最优解时容易陷入局部最优导致算法出现早熟、停滞的不足之处,提出了两点改进策略,通过拓展蚁群的数量和动态的改变信息素的挥发系数来突破局部最优的限制,通过求解TSP问题对改进算法进行了仿真实现,验证了改进后的算法能够搜索到最优解,同时最优解的收敛速度也得到了提升。为了进一步验证改进蚁群算法能够应用于求解航迹规划问题,在建立的航迹规划任务模型基础上分别对基本蚁群算法和改进蚁群算法进行了仿真对比,验证了改进算法求解航迹规划问题的可行性,并且改进算法最优航迹的搜索能力和算法稳定性均优于基本蚁群算法。最后,基于对蚁群算法的改进,进一步改善A*算法搜索时间长,效率低下的问题,论文又提出了将A*算法和蚁群算法结合在一起的方法,充分吸收A*算法、蚁群算法的优点,并在融合了多种环境威胁的仿真环境中对融合算法和基本A*算法进行了对比仿真,验证了融合算法能够搜索到代价更小的最优航迹,而且减少了航迹搜索的时间,提高了航迹规划的效率。