随着水下机器人作业技术的发展,越来越多的复杂作业任务被水下机器人所承担,水下机器人的自主作业也成为了水下机器人作业技术的研究热点以及未来方向。水下机器人的自主作业研究是一个交叉领域,需要机器人运动控制、运动规划、导航定位、视觉感知等多个学科领域的紧密配合。其中,水下机器人运动规划技术是承担机器人作业功能实现的重要一环。为了满足水下机器人在水下环境的安全性目的,传统的水下机器人运动规划技术主要是设计一条从出发点到目的地的一条无碰轨迹。主要方法有基于几何图形建模的方法以及基于势场建模的方法。传统的水下机器人运动规划方法有着搜索效率低、易陷入局部收敛的缺点。相比于传统的智能水下机器人作业需求,海生物抓取捕捞水下机器人的作业任务和作业环境更为复杂,传统的水下机器人运动规划方法也很难满足其复杂的作业需求。因此,除了要按照其作业目的对作业任务进行分解以外,更加智能、先进的方法也应运用于作业机器人的运动规划中。本文的主要研究内容如下:1)针对机器人在海洋牧场中作业的全局搜索任务,提出了使用深度强化学习算法对机器人的全局规划进行研究。为了使机器人在海洋牧场中能进行更有效率地作业,对全局搜索规划进行了任务分解;为了满足灵活规划要求,使用了基于深度强化学习的值迭代网络进行全局规划,提高了规划的效率同时也保证了规划的准确度;为了提高机器人运动规划时的寻优效率,使用了粒子群算法对机器人的搜索顺序进行寻优。实验证明,本文所提出的全局规划算法能够更有效地进行最优路径的搜索。2)针对机器人在海洋牧场中可能会遇到的局部避障规划任务,提出了使用改进后的快速探索随机树算法(RRT)对局部避障进行规划。针对RRT算法搜索效率慢、路径不平滑等缺点进行改进,取得了明显的效果3)针对机器人发现目标物后的局部抓取作业任务,提出了使用改进后的多目标进化算法进行机器人局部抓取规划的研究。为了满足机器人在线规划的实时性要求,使用了骨干粒子群优化算法作为进化算法的核心算法;为了满足算法在多约束情况下的搜索性能,使用了时变可行性阈值以及时变变异因子提高了算法的搜索性能。在仿真试验中表明,改进后的多目标进化算法能够满足机器人实时在线抓取作业规划的需求。