近年来,随着我国科技的飞速发展,无人机被广泛应用于军事和民用领域。无人机航路规划是保障无人机安全前往目标地点的先决条件。稀疏A*算法是一种典型的无人机航路规划算法,具有开放性强、扩展性好、实时性高等优点,但该算法在计算精度与获得完整航路效率上存在此消彼长的关系以及沿障碍物边缘进行避障等缺点。粒子群算法具有较小运算量,且易于实现,但存在易陷入局部最小值的缺点。因此,论文针对无人机航路规划问题提出了基于稀疏A*-粒子群的三种改进算法,提升了稀疏A*算法的规划效率和计算精度,同时提出了航路二次优化策略解决稀疏A*算法沿障碍物边缘进行避障的问题。论文取得的主要研究成果如下:（1）基于稀疏A*-改进粒子群算法的航路规划研究。针对现有稀疏A*-线性递减权重粒子群算法对于不同问题需要调整参数的比例关系,同时存在易陷入局部最小值的问题,进行了稀疏A*-改进粒子群算法研究。论文采用随机权重替代线性递减权重,同时采用异步学习因子加强在迭代前期的全局搜索能力和迭代后期的局部搜索能力。在MATLAB2018b上进行仿真,对仿真数据进行比较分析可知,改进后的算法虽然在航路总长度上无明显变化,但是在收敛性、稳定性上得到了提升在产生连续相同的非最优解的次数上明显减少,降低了算法陷入局部最小值的可能,在算法效率方面在两组仿真中改进后算法效率分别提升了52.29%和 45.47%。（2）稀疏A*-改进粒子群算法上融合模拟退火算法的航路规划算法研究。针对上述稀疏A*-改进粒子群算法依旧存在大量的连续相同的非最优解并可能陷入局部最小值的问题,论文提出在该算法中融合模拟退火算法,采用轮盘赌规则选择出新解替代旧解,以随机选择的方式替代原固定性规则来增强全局搜索能力。仿真结果表明,稀疏A*-粒子群-模拟退火融合算法精度保持不变,但收敛性得到了提升,算法运行效率在两组仿真中分别提升了 36.5%和28.2%,与此同时连续相同的非最优解次数明显减少,极大的降低了算法陷入局部最小值的可能。（3）基于稀疏A*-混合粒子群算法和迭代收敛判据的航路规划研究。通过稀疏A*-粒子群-模拟退火算法的仿真数据发现,虽然使得算法不容易陷入局部最小值,但是在未知收敛次数的情况下,航路规划整体时间较长。因此论文提出了稀疏A*-混合粒子群算法和迭代收敛判据的航路规划。论文采用自然选择法对迭代计算中粒子的适应度进行排序,将适应度好的一半粒子替换适应度差的一半粒子。收敛判据可以通过极少数量的计算结果判断出是否达到收敛状态,提供跳出迭代循环的依据。仿真结果表明,融合自然选择法和收敛判据后的算法可以在保证算法精度的基础上,提前跳出迭代循环,在两组仿真分别用时0.989s和1.283s。（4）航路二次优化办法研究。由于稀疏A*算法框架存在沿障碍物边缘进行避障的问题,该问题会增加航路长度。因此在不增加算法复杂度的基础上,提出了航路二次优化方法,通过在路径节点中提取航路点、删除冗余航路点并连线的方式来缩短航路,为了使航路实际可行,采用B样条曲线进行平滑处理。最后通过仿真结果证明提出的航路二次优化方法可以解决稀疏A*算法存在的沿障碍物边缘进行避障的问题,最终在两组仿真中分别缩短航路1.4265km和1.3837km,达到缩短航路的目的。