随着科技的发展能源的消耗也逐渐变多,陆地上的可开采的资源逐渐变少,各国都开始着手开发物产丰富的海洋。智能水下机器人(AUV)在海洋勘探中是十分重要的工具,AUV路径规划是其在水下执行任务中最重要的一个环节,水下环境复杂,处处蕴含危险,AUV路径规划算法的性能直接决定AUV的智能化程度,所以,在复杂的水下环境中找到一种性能卓越的路径规划算法尤为重要。针对传统路径规划方法搜寻到的路径不满足AUV自身的非完整运动学约束这一问题提出解决方案,将Dubins曲线应用到AUV的路径规划中,通过搜寻工作环境中所有能避开障碍物的Dubins路径,实现AUV路径规划,此外还通过遗传算法、遗传-最大最小蚁群算法与Dubins曲线相结合实现AUV静态以及实时路径规划。本文的主要研究内容如下:首先,建立AUV的数学模型,在惯性坐标系以及载体坐标系下,通过分析作用在AUV上的静力,水动力,推进器推力以及它们的力矩,通过动量定理建立动力学方程再结合运动学方程,得到AUV的空间运动方程,求解这些方程,并获得AUV速度、位置和姿态随时间的变化。对AUV的性能参数有更加直观的认识,为后续AUV自身的非完整运动学约束的研究打下基础。其次,针对传统路径规划方法搜寻到的路径无法满足AUV自身的非完整运动学约束的问题,将Dubins曲线应用到AUV静态路径规划中,根据Dubins曲线的特点建立环境模型,将障碍物简化为圆形障碍物,给出了Dubins路径的求解方式,仿真结果表明该方法计算得出的路径满足AUV自身的非完整运动学约束。再次,针对在复杂环境中Dubins静态路径规划算法计算量大,搜索效率低的问题,提出了三进制编码方案,将遗传算法与Dubins曲线结合在一起,提高算法的效率以及搜索到路径的全局优化指标,通过有洋流以及无洋流环境中多障碍物情况的实验仿真对所设计的基于Dubins和遗传算法的路径规划方法进行了验证。最后,设计了AUV实时路径规划策略,使AUV在动态环境中执行任务时除了能避开障碍物还能尽可能的考虑全局优化指标,通过Dubins曲线和和遗传-最大最小蚁群算法的结合,对AUV全局路径规规划方法进行改进,使其能够满足AUV自身的非完整运动学约束的前提下提高AUV实时路径规划方法的性能,最后将通过有洋流以及无洋流环境中多障碍物的仿真实验将该算法与遗传算法进行对比,验证了该算法下的对所设计AUV实时路径规划策略性能更优。