随着科技的发展,移动机器人已经被应用到多个领域,其相关技术的研究也已成为广大专家学者追逐的热点。复杂作业环境下,路径规划是移动机器人完成作业任务的重要保障。路径规划作为移动机器人工作时至关重要的一个环节,是指根据某个性能指标（距离、时间、能量等）,移动机器人寻找一条由初始状态至目标状态的可行路径。近年来,快速扩展随机树（Rapidly-exploring Random Tree,RRT）作为一种经典的路径规划算法,不依赖环境建模,且具有概率完备和收敛速度较快的特性,被广泛关注。在实际应用过程中,由于该方法的搜索过程具有较强的随机性,规划得到的最终路径通常与最优路径具有较大偏差。此外,在该算法得到的参考路径上,过多的路径节点也给机器人路径跟踪与控制带来了一定挑战,进而严重影响机器人执行任务的效率。针对以上问题,本文主要工作内容如下:（1）针对RRT算法搜索过程具有较强随机性、稳定性差的问题,提出了一种基于贪婪性目标偏置的改进RRT算法。随机树进行扩展时,引入目标偏向概率且加入贪婪算法,可减少大量无效搜索,有效减弱算法随机性。分析步长对避障能力和规划时间的影响,并通过大量仿真验证该算法的性能。（2）针对RRT*算法收敛速度慢,需要大量迭代,无限时间内才可寻到最优解的问题,提出一种基于重要节点优化的改进算法。按照RRT*方式得到参考路径后,对该路径从起始点至目标点进行基于重要节点提取的优化,确保路径成本较低,从而提升算法的精确度及运行速度。同时对提取出的关键节点进行高斯分布采样,加快路径规划的收敛速度,使随机节点的生成具有导向性,保证该算法寻找到的路径具备最优性。（3）创建多种具有不同障碍物的模拟环境,利用MATLAB进行仿真实验,对两种改进算法进行验证,实验结果表明,改进后的两种算法与基本算法相较而言,都能提高算法收敛性,且具有稳定性和有效性。（4）构建移动机器人的运动学模型,在真实环境下采用Turtle Bot2移动机器人平台对路径进行轨迹跟踪,跟踪误差较小,可较好的跟踪期望轨迹。