信息技术的高度发展使得无人机(Unmanned Air Vehicles,UAV)作战优势凸显。任务规划作为无人机研究领域的重要内容,主要由任务分配和航迹规划2个重要部分组成。其中,无人机的任务分配问题是在一定约束条件下搜索各无人机与任务之间的近似最优匹配方案;航迹规划是在特定约束条件下搜索从起始点到目标点的可行航线。基于无人机广阔的应用市场需求和优良的技术支持,本文主要研究静态环境下的集群无人机任务规划技术的任务分配和航迹规划两个部分。一方面,在已知任务环境条件下,为了解决现有任务分配算法搜索的最优组合方案中各无人机执行指定任务侦察成本过高的问题,本文提出了一种改进的蚁群算法(Ant Colony Optimization,ACO)。首先,基于特定约束条件建立任务分配模型;其次,通过改进的任务分配算法的第1阶段搜索初始最优解;然后,在初始最优解和执行任务侦察代价不变条件下,通过任务分配算法的第2阶段重新搜索最优方案。上述过程的仿真结果验证了改进的ACO算法可以快速地搜索到集群无人机任务分配的近似最优解,并且在适当地牺牲距离成本条件下降低了各无人机执行指定任务的侦察代价。另一方面,在已知规划环境条件下,为了解决航迹规划中相关算法收敛速度慢、搜索效率低、沿规划的航迹飞行时无人机与静态障碍物碰撞等问题,本文提出了一种航迹规划方法。该方法主要由初始航迹生成、航迹修正和平滑处理3部分组成。首先,通过把Metropolis准则引入到蚁群算法的节点选择机制中,从而提出了MACO算法。实验数据表明,在搜索初始航迹时,有效地避免了该算法陷入局部最优和发生停滞的问题,并且和已有的航迹规划算法相比,该算法能够搜索到更高质量的航迹。其次,设计了3种航迹修正方案,解决因考虑无人机尺寸大小引起的无人机与静态障碍物碰撞的问题,从而进一步地优化初始航迹。实验结果表明,由修正方案修正后的航迹成功地避开了所有障碍物。然后,设计了内切圆(Inscribed Circle,IC)平滑方法,解决因急转弯引起的航迹不连续问题。仿真结果表明,由该方法平滑的航迹在节省燃料消耗和提高航迹的安全性方面具有很好的性能。上述过程的结果表明,提出的方法在搜索最优解、避免碰撞和平滑航迹方面具有良好的可行性和有效性。