随着航空技术智能化以及信息化发展,无人机在军用以及民用领域也进行了广泛普及。无人机的路径规划是无人机能够完成任务需求的基础技术之一。无人机路径规划就是在满足无人机自身性能以及环境等约束条件下,使用一种或多种融合算法从起始位置到终点位置的一条或多条安全、无碰撞障碍物的路径。路径规划的结果是能否有效完成飞行任务的重要因素,由于无人机飞行环境以及飞行场景变化节奏快,因此需要选择适合当前环境的路径规划算法,本文主要对智能算法以及非智能路径规划算法进行研究。首先,根据无人机飞行特性以及飞行环境,建立路径规划模型。包括无人机飞行环境、性能约束以及路径规划评价指标。环境模型主要包含地面建筑物以及飞行禁飞区等,性能约束主要包含无人机飞行动力学约束例如最大航程、最小转弯半径以及无人机高度约束等。无人机路径规划中的评估指标主要包括路径长度代价、油耗代价、障碍物威胁代价以及飞行高度代价。其次,针对A*算法冗余节点过多、搜索效率过慢以及生成路径不平滑的问题,提出变权重A*算法,该算法主要根据无人机当前位置改变A*算法中启发函数与代价函数权重,提升算法的搜索效率。在算法生成的路径集中判断冗余节点以及B样条法对路径集进行二次优化,生成一条平滑无碰撞的路径。在三维仿真环境中进行分析较A*算法搜索时间缩短74.10%,较A*算法路径长度缩短12.39%,证明变权重A*算法的可行性。然后,针对人工势场算法容易陷入局部最优的问题提出了A*势场算法（A*-APF）,无人机沿改进A*算法飞行若无人机达到障碍物斥力影响范围时切换为APF算法进行动态避障,当无人机逃离斥力影响范围后重新沿原路径进行飞行。该算法旨在无人机在有动态障碍物情况下快速实时规划出一条安全的飞行路径。在仿真环境中进行静态环境与动态环境仿真分析,相比传统APF算法改进APF算法路径长度减少4.32%,规划时间减少25.00%,迭代次数减少20.35%。在具有动态障碍物环境中进行融合算法的仿真实验结果证明改进APF以及A*势场算法的可行性。最后,针对天牛须搜索算法易陷入局部最优解以及路径震荡不平滑的问题提出了虚拟天牛须搜索算法（Virtual Beetle Antennae Search,VBAS）。该算法在无人机即将接触障碍物时生成虚拟目标点引导无人机躲避障碍物,在算法迭代过程中会判断当前路径是否存在震荡并删除震荡路径,当生成全部路径集后会利用B样条法二次优化路径。仿真实验表明虚拟天牛须搜索算法可以有效提升无人机在不同环境下的路径规划能力。