近年来,随着机器人技术的不断发展,移动机器人的应用日渐广泛。其中,移动机器人避障技术作为移动机器人领域不可分割的一部分,受到越来越多的关注,已成为当前工业界及学术界的研究热点。移动机器人避障技术的关键在于障碍物目标检测以及路径规划两项技术,但是,这两项关键技术目前仍存在诸多问题。首先,对于障碍物目标提取技术,存在检测效率低,检测精度差以及检测算法过于繁琐等问题,导致移动机器人在实际环境中不能进行实时检测。其次,对于路径规划技术,存在搜索路径效率低、路径距离长、转折次数及角度大,以及路径不平滑等问题。因此,本文围绕着移动机器人避障技术所涉及的目标检测及路径规划技术问题展开研究,主要研究工作和成果体现在以下几个方面:针对基于深度学习的障碍物目标检测技术存在计算资源受限问题,提出了联合BN（Batch Normalization）层中重构参数γ和卷积核权重的模型剪裁方法,对原YOLO-V3目标检测网络进行网络模型剪枝。首先对原YOLO-V3目标检测网络进行基于BN层的稀疏剪枝,将稀疏剪枝后保留的模型及权重参数进行基于卷积核权重的剪枝;其次,将剪枝网络进行参数微调与重训练,得到用于移动机器人避障的障碍物检测网络;最后利用图像二值化处理方法,将检测到的障碍物作为前景与背景进行区分。在COCO目标检测数据集上进行实验测试,证明了本文提出的方法可以在保证检测精度的前提下,将原网络进行精简压缩,得到深度学习目标检测剪枝网络,有效地解决了移动机器人计算资源受限问题。针对移动机器人避障及路径规划存在搜索路径效率低、路径距离长、转折次数及角度大,以及路径不平滑等问题,提出了基于A*路径规划算法的可变比例启发函数的优化方法及遍历原路径的路径平滑优化方法。首先,对A*路径规划算法中的启发函数进行优化,使路径搜索节点数降低,提高了路径搜索效率;其次,对已搜索路径进行三方面路径平滑优化,使移动机器人的避障路径相对平滑;最后,通过仿真实验进行验证,证明了本文提出的路径优化方法能够解决移动机器人在避障过程效率不高、行进不流畅等问题,证明了本文提出方法的先进性和有效性。