在无人机目标搜索任务中,单机载重受限、探测精度有限限制了无人机的应用。由于不同任务差异很大,无法利用环境信息,会阻碍无人机完成搜索任务。对于搜索任务,精确搜索目标和覆盖搜索存在矛盾。受限于传感器精度,精确搜索反复确认,导致搜索时间增多;覆盖搜索无法保证搜索的精度。本课题为解决这些问题,针对搜索任务中精确搜索和覆盖搜索在精度和时间两个维度上的矛盾,以多无人机多移动目标为搜索目标展开研究,构建了环境信息模型,帮助无人机了解环境,设计了多种无人机搜索策略来均衡这个矛盾。针对多无人机搜索问题,对环境进行合理建模。将搜索地图进行离散栅格化,并引入了对应的包括概率图更新模型、确定度更新模型来更新环境信息。针对搜索目标的移动性,设计一种荷尔蒙地图模型,引导无人机对必要的栅格单元进行回访,同时避免多架无人机对相同区域进行搜索,提高搜索效率。针对精确搜索的场景,建立了该场景下的数学模型。利用环境信息模型实现无人机与环境的交互,设计了多种搜索相关函数评估搜索决策,通过分布式模型预测控制模型求解无人机系统的决策信息,提出了一种混合粒子群算法对该模型进行求解。通过仿真证明了该策略的有效性,并将本策略和其他搜索策略进行对比,验证了该策略能提升搜索效率,实现移动目标的精确搜索。针对覆盖搜索的场景,建立了该场景下的数学模型。从基本的最短路径问题出发,设计了一种多旅行商问题和均衡单个旅行商路径长度相结合的集中式搜索策略,实现了UAV集群对搜索地图快速全面覆盖,同时每架无人机的搜索路径均衡。针对这种算法复杂度高和无法在线动态分配的缺点,设计了一种基于区域分配的分布式搜索策略,主要包含栅格区域化、区域分配和区域路径规划三部分。针对栅格区域化,设计了一种反K近邻算法,实现栅格单元合理区域划分,用区域替代栅格单元来减少计算复杂度。针对区域分配,引入模型预测控制策略,实现动态在线区域分配。针对UAV路径规划,根据确定环境和未知环境的不同,分别提出了基于TSP和MPC思想的路径规划方案。通过仿真验证了集中式搜索策略在覆盖搜索场景下的高效性;验证了分布式策略在算法复杂度上的优势,通过动态搜索的过程表明了分布式策略的鲁棒性。