无人机路径规划问题是当下的研究热点之一,现有的硬件条件和人工智能理论的飞速进步,使得单体无人机智能化程度大大提高,实现了从单机智能到协同智能的跨越式发展。在实际应用中,无人机在社会生产生活的各个方面均有大规模应用,特别在侦察任务中,无人机应用广泛。在侦察任务的完成过程中,由于受限于无人机的体积有限,使得无人机在能源供给、计算负载、运动能力和通信能力等多个方面均有很大限制。突出的表现为无人机能源有限,实时计算能力不足,运动存在盲区和上限(相比较任务区域而言)。因此,面向大范围、目标稀疏分布的复杂环境,合理规划遂行侦察任务的无人机路径成为重要的研究问题。本文推导和分析了现有无人机路径规划算法存在的问题,在此基础上设计了改进算法,提高了算法在计算复杂度和地形适应性等方面的表现,为解决实际实际侦察任务中路径规划问题提供了理论和算法参考。首先,本文针对现有算法的建模方式进行了改进。针对现有算法对任务问题建模的可扩展性问题,本文提出了一种新的适用于无人机侦察策略的地图建模方法。传统路径规划算法采用无人机地理位置为算法状态空间的建模方式,然后依据依赖迭代结果进行不可逆的策略生成。结果是在处理山谷等复杂地形环境问题的时候,路径可能收敛到不可行解。本文则提出了网格间方向性运动到状态空间映射的建模方法,构建运动状态空间,仿真实验验证表明,运动状态空间建模方法有效提高了算法在复杂地形环境下的描述能力,实现了无人机对单一区域的重复访问。其次提出了基于层次式地图网格化方法的算法计算降维法。在传统算法中,算法的计算精度和地图网格的划分精度是正相关的,高计算精度的要求带来了维度爆炸问题。本文提出了一种层次式地图网格化方法,通过多层次算法的配合计算,下层算法处理局部兴趣点,上层算法则进行全局规划。这种方法极大降低了算法的计算时间,以本文提出的基于方向判定的动态规划算法为例,同等计算规模下,计算时间的节省高达百分之90以上。提出了基于方向判断的动态规划算法和Q-learning算法,用于无人机侦察策略规划。在本文提出的新建模方式的基础上,将其带入动态规划算法,并对算法的核心部分进行了修改,迭代空间从状态空间变为动作空间。通过仿真实验,证明新的算法具有更好的环境适用性、同计算精度条件下计算用时更短等优点。由于基于动态规划算法十分依赖对任务环境先验信息的获取,所以本文提出了基于方向判断的Q-learning无人机侦察策略规划算法。算法中同样采取了本文提出的新的建模方式和降维方法。通过仿真实验验证,证明算法相比较传统Q-learning算法,具有更好的地形适应性和明显计算时间优势。本文最后总结了主要工作和创新点,并指出了后续研究方向。