自主水下潜航器（Autonomous Underwater vehicle,AUV）能够极大地拓宽人类在水下空间的能力边界、降低水下高危环境中的作业风险,因而在海洋观测、水雷清扫等领域获得了广泛的应用。但现阶段AUV的智能化水平远不能满足有人/无人协同作战、水下观测组网等新应用场景的需求,而高效、合理的路径规划技术则是提高其智能化水平的关键。路径规划算法需要充分考虑任务需求和自身的能力约束,并保证AUV航行过程中的安全性、经济性及特殊场合下的隐蔽性,但水下环境的复杂性和规划的多约束、多目标需求,极大地增加了AUV路径规划的挑战性。为此,本文将围绕点-点航行和多作业点遍历任务场景中的路径规划问题展开研究,主要工作如下:在深入讨论水下路径规划问题涉及的地形建模、路径表达、威胁模型等内容的基础上,分析了实际航行任务中常见的路径优化目标和约束条件并对其进行了量化建模。针对点-点航行任务下的路径规划问题建立了多约束条件下的多目标优化模型,针对多作业点遍历任务下的最优遍历顺序生成问题建立了多种不同任务需求下的旅行商问题（Traveling Salemans Problem,TSP）模型。针对点-点航行任务下的最优路径规划问题,首先将A*和RRT*这两种在满足一定设定条件时可以从理论上保证规划出最优路径的二维规划算法推广到三维环境,以解决简单任务需求下的路径规划问题,并研究了算法参数选择对其规划性能的影响。考虑到复杂场景中路径约束和优化目标的多样性,在对传统BFO算法中趋向、复制、迁徙等操作所存在的缺陷进行分析的基础上,通过引入多种优化策略,提出了一种改进的细菌觅食算法（Modified Bacterial Foraging Optimization,MBFO）,并将其应用于水下三维最优路径规划问题,同时结合路径规划本身的特点,设计了一种基于目标点导引的路径初始化方法以保证初始解的优良性。最后,通过安全/威胁域环境、回收任务、海流环境等场景验证了该规划算法的有效性和鲁棒性。针对障碍环境中的多作业点遍历航行路径规划问题,首先为解决传统作业点间航行代价估计方法存在的有效性差、时间成本高等问题设计了一种采用不同划分粒度的两级栅格模型,基于该模型能够通过选取相应的区域表征点对距离代价和威胁代价进行快速估计。考虑到该估计方法存在的不确定偏差与两种代价的融合过程,进一步设计了一种基于Mamdani模糊推理的作业点间综合航行代价计算方法,仿真结果表明该方法相较于权重评估法更为有效。对于最优遍历顺序生成问题,在将灰狼优化（Grey Wolf Optimization,GWO）算法推广到组合优化问题中的基础上,针对其局部搜索能力不足的问题引入3-opt优化操作,提出了一种离散的改进灰狼优化算法（Modified Disrete Grey Wolf Optimization,MD-GWO）,并通过标准TSP测试案例和对比实验验证了算法的优化能力。最后,将上述多种方法进行综合,提出了一种基于多阶段算法融合的多作业点遍历路径规划算法,在常规场景、连续访问约束场景和协同访问场景中的仿真结果表明,所提出的多阶段规划算法能够满足航行任务需求。