路径规划是无人驾驶技术核心研究内容。一般遗传算法（GA）结合神经网络算法实现简单场景的路径规划问题时,可以重点发挥待优化个体并行进化能力,且全局搜索能力较好,以及神经网络多维计算能力强等优势。但应用相对复杂多场景下的无人车路径规划问题时,由于遗传算法（GA）跳出局部最优能力较弱,使无人车在路径规划过程中会过早陷入进化迟滞,很难跳出局部最优。因此本文通过改进遗传算法优化神经网络权值、阈值的方法来进行无人车路径规划。通过仿真实验对比体现了改进算法应对相对复杂场景下路径规划的优势与可行性,本文研究思路及主要成果如下:根据遗传算法和神经网络的原理特点,自行设计遗传算法优化神经网络的无人车路径规划算法模型,搭建无人车神经网络,设计遗传算法优化神经网络无人车路径规划的迭代进化机制以及无人车底层运动控制决策。设计改进遗传算法（GA）优化神经网络无人车路径规划算法（改进GA-BPNN）时,相比于传统遗传算法优化神经网络无人车路径规划算法（传统GA-BPNN）时,提出一种小生境多子种群并行进化方式来增大选择优良无人车个体概率。通过自适应变异率和交叉率来平滑调节无人车适应度,避免适应度出现极值、精英个体缺失的情况,使无人车路径规划过程更加平稳。在此基础上结合改进的高斯变异算子对传统遗传算法的变异算子进行改进,通过对子种群无人车的神经网络权值、阈值{w,b}实施不同比例系数r的变异操作以此提高局部搜索可行解空间,有效克服了无人车进化迟滞的现象,增强了最优个体跳出局部最优能力,完成无人车路径规划。通过PyOpenGL平台进行无人车运动学建模、传感器建模与仿真场景建模。本文将改进前后两种算法在多弯角场景、对角线避障场景、环形避障场景下进行无人车路径规划仿真对比研究,体现了改进算法可行性和路径规划效率更高的优势。通过Gazebo平台搭建环形场景模型,将遗传算法融合神经网络植入,通过gmapping二维建图完成无人车环形场景下rviz可视化的路径规划实验论证,体现了改进GA-BPNN算法的无人车路径规划的可行性。