随着科学技术的进步,机器人学得到了长足的发展,机器人可以将人类从繁重的重复劳动中解脱出来,从工业领域到大众生活,机器人发挥着越来越重要的作用。路径规划是机器人学的核心内容之一,得到了众多学者的深入研究,具有非常重要的意义,本文主要研究了一种基于神经网络和混合粒子群算法相结合的移动机器人路径规划方法。在环境信息表示方面,研究了多层前向网络、hopfield神经网络、ART神经网络等在机器人路径规划方面的应用,由于多层前向网络在表示障碍物信息时计算简单,易于并行,并且无需训练权值,结合未知环境下路径规划的特点,最后确定用多层前向网络表示环境信息。课题使用了一种混合粒子群算法DHPSO进行子路径规划。针对惯性权重随迭代次数递减的标准粒子群算法(SPSO)全局收敛性强但是收敛速度慢和压缩因子粒子群算法(PSOCF)全局收敛性弱但是收敛速度很快的特点,提出了一种双种群混合交叉粒子群算法DHPSO,种群一和种群二分别使用SPSO和PSOCF的方法进行迭代,每隔一定的迭代次数,种群一将自身的较优粒子交换给种群二。DHPSO结合了SPSO和PSOCF的优点,不仅全局收敛性较强,同时具有很快的收敛速度。最后,在MATLABR2016a实验平台上对粒子群算法和路径规划进行了仿真实验,在单模态函数和多模态函数下的仿真实验证明了DHPSO算法的优越性。在路径规划的实验仿真方面,进行了多种环境下的路径规划,包括简单和复杂静态环境下的路径规划、环境中存在动态障碍物情况下的路径规划以及二维编码情况下的路径规划。同时进行了路径规划方面的几点思考,包括评价函数的选择、坐标转换以及粒子群算法在路径规划方面的一些需要留意的地方等。路径规划的仿真实验结果说明了总的路径规划的有效性,具有一定的实用价值。