随着航天技术的创新发展,近几年我国在空间探测等诸多领域取得了举世瞩目的成就。空间站投入运行、探月工程“绕落回”三步走圆满收官、天问一号成功着陆火星、祝融号开启火星巡视等重大突破都是我国逐渐走向航天强国的见证。伴随着技术的积累与革新,未来的探测需求势必会瞄准更远的深空、更危险的极区、更神秘的星球,随之而来的将会是更加未知、复杂、不确定、多扰动的极端挑战。作为探测任务中至关重要的一环,软着陆技术是开展星表探测的前提,其实施效果直接决定了任务的成败,且整个过程存在着诸多的扰动和不确定性。故本文提出了考虑复杂多障碍约束的地外天体最优软着陆制导技术,以期为新时期极端环境的探测需求提供安全软着陆支撑。为了在地外天体复杂环境下成功软着陆,着陆器需要具备高精度和安全性保证的自主轨迹规划与避障技术。对于传统的基于最优控制直接求解软着陆轨迹的方法,由于复杂不确定障碍约束的引入,将导致最优控制问题呈现出强非凸性和病态性。此外,现有的障碍模型不具备较好的泛化能力。针对上述问题,本文提出了一种考虑多障碍约束下的最优制导方法,同时创新性的提出了一种通用凸包障碍约束的建模方法。通过连续线性化实现了对非凸模型的凸化转化,其被转化为等价的二阶锥优化问题。最后给出了仿真实验结果,验证了通用凸包障碍模型的可行性和凸优化技术的有效性。传统避障方法中对障碍物的直接建模会对轨迹优化问题带来非凸性,凸化后的模型会损失一定精度,并且障碍模型不具备通用性。针对上述问题,本文提出了改进的相对安全着陆通道方法使其适用于二阶锥优化问题,能够生成满足避障条件的安全凸包着陆通道;改进了跳点法以合并相邻节点减少节点数量,提出了适用于行星软着陆的减速时间分配方法。本文提出的方法避免了对障碍物的直接建模,适用于任何类型的行星障碍物规避。为了有效应对多源扰动的影响,提高着陆器在线决策能力,本文基于人工智能技术对其在软着陆任务中的可行性进行了探索研究,结合任务环境及平台模型,设计了基于强化学习的行星软着陆控制算法,通过引入参考速度解决了奖励稀疏的问题,将燃料消耗和姿态引入到奖励设计中实现燃料优化和姿态约束,最后采用强化学习领域的经典算法DDPG、TD3和SAC分别进行训练和测试,结果证明了智能算法在学习效率、精度等方面的优势,为后续的实际工程落地提供了参考。