随着无人机任务环境的日益复杂,通过多无人机协同执行任务的方式逐渐成为无人机应用的主流趋势。考虑到任务的复杂性和繁重性、无人机的自身性能限制、多无人机之间的约束以及任务环境的不确定性,研究一种高效的多无人机协同任务规划方法有着重要意义。在任务执行场景的设计中,对相关场景的建模需要与现实场景相结合,从而保证后续工作可在实际场景中应用。多无人机协同规划首先要完成对多无人机任务的分配,但由于任务环境中存在着不确定性,故需要对任务进行连续分配,最后根据任务分配的结果为各个无人机设计飞行航线。本文从上述问题的研究现状出发,基于多无人机协同任务规划执行的过程,对其多无人机协同任务分配、任务连续分配、航迹规划几个方面做了分析研究,主要工作如下:（1）基于改进遗传算法的多无人机协同任务分配方法。为了建立一个符合实际场景的任务规划模型,在多中心带时间窗的车辆路径规划问题模型的基础上建立了多充电服务站协同的无人机任务分配模型,实现多充电服务站资源共享。针对遗传算法存在的缺陷,在遗传算法的基础上引入了基于Metropolis接受准则的交叉和变异操作、淘汰策略和进化逆转操作。所改进的遗传算法用于多充电服务站协同的无人机任务分配模型求解,经过仿真实验表明,与原遗传算法和模拟退火算法对比,改进的遗传算法的在求解本文任务分配模型中具有更好的表现。（2）提出了3种任务连续规划策略应用于不同的任务场景中的突发状况或多样性的任务要求。针对发现新的任务和无人机退出的突发状况,使用了本文提出的多无人机中最早完成任务无人机执行新增任务策略和局部调整策略进行解决;针对原任务分配方案中需要考虑任务执行时间因素的情况,使用了本文提出的时间平衡调整策略进行求解。通过实验仿真验证,证明了3种策略在针对不同情况时的实时性和有效性。（3）基于改进人工蜂群算法的多无人机协同航迹规划方法。为了选择一个高效稳定的算法用于本文航迹规划模型的求解,使用了5种群智能算法对航迹模型进行一一求解,根据求解的质量,选出表现较优的人工蜂群算法作为优化的基础算法。针对人工蜂群算法在模型中表现出的缺陷,分别使用动态步长和淘汰策略以及改进的观察蜂和侦察蜂的搜索方法等4种方式对算法进行了改进,通过仿真验证表明,所改进的人工蜂群算法在模型中求解最优解的质量、收敛速度等相较于原算法都做了很好的优化。