智能规划是人工智能领域一个非常活跃的研究分支。近十几年中，智能规划发展非常迅速，在规划问题的描述和问题求解两方面研究都取得了新的突破，但在求解大规模规划问题以及规划搜索效率上，仍然有很多问题有待解决。本文从子目标排序和启发式搜索剪枝策略两方面出发，研究了提高规划问题求解效率的相关方法和技术，主要工作包括：　　 ⑴子目标排序对划分和求解大规模复杂的规划问题具有重要意义。但现有的排序理论约束条件过于严格，对大部分的基准测试领域问题都不适用。本文提出了一种新的排序关系称为可纳子目标排序(ASO)。给出了可纳排序的形式化定义。随后，介绍了原子依赖关系理论和原子依赖图技术，给出了可纳排序关系成立的一个充分条件并给出了严格的证明过程。给出了一种多项式时间复杂度的算法用于近似计算可纳排序关系。通过在多个国际规划大赛基准测试领域问题上的实验，结果表明我们的方法能有效的求解各类大规模的规划问题，并能极大的改善规划性能。　　 ⑵前向启发式搜索和放宽规划方法被很多领域无关的规划器所采用，被认为是一种有效的规划范型。FF规划器利用放宽规划图计算状态的启发式估值，并提取有利动作集合进行前向搜索的剪枝。本文提出了一种新的高质量的领域无关剪枝策略，该策略根据放宽规划图的动作层和命题层之间的关系，提取出所谓的直接效用动作集合，此集合之外的其它动作都被剪枝。直接效用动作集合比FF的有利动作集合更加精简且更具启发性，能指导前向搜索集中在那些离目标更近的状态。利用直接效用动作我们开发了一种新的lookahead搜索邻居，并应用在改进后的增强型爬山搜索算法，使得前向搜索具备良好的前瞻性。当增强型爬山法失败时，我们采取一种从局部极小值重启完备搜索的策略以保持系统完备性。通过对多个国际规划大赛基准问题的测试表明，基于该剪枝策略及前向搜索算法实现的前向规划系统有效的缩小了搜索空间，搜索的节点数目比FF的有利动作策略明显要少，搜索效率有显著的提升。