路径规划问题是近年来的研究热点之一。移动机器人路径规划是路径规划问题的一个应用,其指的是移动机器人在给定的工作环境中,依据某一性能指标(如时间、距离等)规划出一条从起始位置到目标位置的最优或次优路径。本文针对已知静态环境下的路径规划问题展开研究,在对蚁群算法的基本原理和现有改进蚁群算法进行研究分析的基础上提出了两种改进的蚁群算法。主要研究工作包括：1、针对蚁群(ACO)算法易出现局部最优解的问题,提出了基于自适应阈值蚁群算法的路径规划(ACOST)算法。ACOST算法中通过自适应阈值动态地干预蚁群算法搜索过程,保证了搜索前期的搜索范围,降低局部最优解出现的概率。同时动态地调整精英蚂蚁所留下的信息素量,在保证搜索范围的同时提高算法的收敛速度。仿真实验表明ACOST算法能够快速的规划出较为合理的路径,相比于ACO算法,ACOST算法的平均迭代次数下降了32.9%,所规划的路径长度平均下降了7.69%。2、针对复杂环境下蚁群算法规划能力较弱的问题,提出了基于滑动窗口和蚁群算法的二次路径规划(QACO)算法。对回退蚁群(ACOFS)算法的回退策略进行改进,通过降低回退路径上的信息素量,减少回退次数。第一次规划中,使用改进后的蚁群算法对栅格环境进行全局路径规划；第二次规划中,滑动窗口沿着全局路径滑动,通过蚁群算法规划出滑动窗口中的局部路径,并使用局部路径对全局路径进行优化,直至滑动窗口中包含目标位置。仿真实验表明,相比于ACO算法,QACO算法的平均规划时间下降了26.21%,平均路径长度下降了47.82%。相比于ACOFS算法,QACO算法的平均规划时间降低了52.03%,平均路径长度降低了42.28%。本文提出的ACOST算法降低了规划过程中出现局部最优解的概率,并提高了收敛速度。QACO算法提高了复杂环境下的规划能力,并有效的降低了规划时间和所规划的路径长度。两种算法都具有一定的实际应用价值。