在科技高度日新月异的时代里,飞行器的发展速度十分迅速,无论在民用、军用领域,向智能化无人化发展一直是大家的追求。然而空中环境越来越复杂,影响飞行的因素也越来越多,所以准确的规划环境建模和提高路径规划算法的高效性是是提高航路利用率,保证飞行器安全、可靠和高效飞行的关键。本文首先简要介绍了航路规划的应用背景、发展现状和关键技术。然后,分别对影响航路规划的威胁因素进行了分析和建模,并提出了一种威胁体模型计算方法,能够快速获得航路点。结合图论相关知识,把航路点转化为存储节点间距离的权重邻接矩阵,作为研究路径规划算法的初始条件,为简化航路寻优奠定了基础。本论文在结合航路规划问题并分析了不同算法的适用条件,选定最短路径算法中的Floyd算法作为路径规划算法,进行了模拟实验,验证了算法的准确性和有效性。针对航路规划系统中,当飞行器数量、威胁区数量达到一定规模后,简单的串行程序效率无法满足高效性需求。为了减少规划任务中由于多源威胁分布规模不断增长而增加的时间延迟,本文在CUDA架构实现了Floyd算法在GPU上的并行。通过设置GPU中每个线程处理邻接矩阵中的迭代计算,对不同规模的规划空间分别进行串并行模拟实验。实验数据表明:GPU上的运算速度明显高于CPU,且随着计算规模的增加,加速比在一定范围内是持续增加的。为了进一步提高航路规划效率,本文结合OpenMP共享内存式并行架构实现多核CPU并行,通过每个CPU核心调用一块GPU卡,实现了多个GPU环境下Floyd算法的并行,实验结果表明,同一数据规模下,GPU的数量越多,GPU没有表现出更大的加速比。因此在一定规模下,单GPU并行Floyd算法更为适合作为高性能飞行器航路应用的解决方案。