随着传感器、计算机、通信、人工智能等技术的不断发展,智能化、无人化是未来船舶发展的必然方向,是船舶制造业国际竞争的新机遇和新挑战,是促进船舶工业供给侧结构改革和新旧动能转换的重要途径。智能航行是智能船舶的核心功能之一,而路径规划作为智能航行的关键技术之一,对其方法的研究具有重要意义。本文主要开展了已知静态环境的全局路径规划、未知静态环境的局部路径规划以及动态避障方法研究。本文的主要工作包括:（1）在已知静态环境的全局路径规划方面,针对蚁群算法收敛慢的问题,提出了改进的蚁群算法。该算法将距离启发信息结合势场合力,使船舶快速寻得最短路线的同时有效规避障碍物;通过改进全局信息素更新机制,加快收敛速度,提高算法的实时性。仿真对比分析了各参数的意义及对规划时间、路径长度的影响。同时,在最优参数的基础上,将改进的蚁群算法与基本蚁群算法进行了对比,仿真结果表明改进的算法性能更优。（2）研究了未知静态环境下的局部路径规划的平滑度以及安全性问题,设计了一种改进的Q-Learning算法。通过添加目标节点的引力势场对Q值表进行初始化,降低算法初期探索率;通过将艏向信息引入到位置状态量,减少船舶转角以平滑路径。同时,增加动作量,修改奖励函数,加快算法收敛并选择当前环境下相对合适的路径。仿真结果表明,改进方法在运行速度和最短路径方面均得到提升。（3）基于DQN强化学习算法研究了智能船舶动态避障问题。通过扩大障碍物船舶影响范围,以确保船舶避碰时有足够的安全距离;采用碰撞危险度来决定船舶避障的时机;为避障时更好地遵守国际海上避碰规则,改进了算法中的奖惩回报函数。仿真实验表明,在遵守国际海上避碰规则的条件下,本文提出的方法实现了船舶对遇、交叉相遇和追越场景下的动态避障。