在现代战争中,无人机开始以机群方式协同执行任务。通过研究动态环境下的多无人机任务规划方法,可以使机群以较小的代价完成复杂的任务,提升机群执行任务的成功率和效率,增强无人机机群的容错性、鲁棒性。对无人机任务规划方法的研究主要包括任务规划模型的建立和任务规划算法的运用,现有的任务规划模型缺乏对战场约束条件的考量,不适应实际的需求。任务规划算法的计算效率过低,对动态情况响应不足。这些问题的存在降低了无人机机群的安全性和生存能力,并导致机群执行任务的失败。针对上述问题,本文首先对任务规划中的任务分配与重分配问题进行了描述与建模。分析了多无人机协同任务分配的约束条件,对现有的无人机多任务分配问题模型(CMTAP)进行了扩展,建立符合战场需求的任务分配模型。当无人机在执行任务过程中遇到突发情况需要进行任务重分配时,对无人机机群的任务分配方案进行局部调整,建立了任务动态重分配模型。在任务分配与重分配模型的基础上,本文接着提出了基于自组织特征映射(SOM)神经网络的任务分配方法,根据战场环境信息进行网络的初始化并结合SOM神经网络中的Kohonen规则和Winner Take All规则求解任务分配方案。针对重分配问题提出了基于分组策略的任务动态重分配方法,采用基于SOM神经网络的聚类算法对需要进行重分配的任务和无人机进行分组聚类,分组完成后使用引入精英蚁群策略的蚁群算法对执行任务集合更改的无人机进行任务序列的调整,该方法能够快速响应无人机机群执行任务过程中遇到的突发情况。最后本文研究了动态环境下的无人机路径规划方法,提出了基于Q学习的无人机路径规划方法。建立了符合无人机自身约束条件和路径规划问题特性的马尔可夫决策过程(MDP)模型。在MDP模型基础上,结合Q学习与效用追踪(Eligibility Traces)技术规划能够避开雷达、地形障碍的路径。仿真实验以及与同类算法的比较分析表明:本文提出的多无人机协同任务分配方法能够在较短时间内得出合理有效的任务分配方案;本文提出的无人机路径规划方法提升了无人机在动态环境下的适应能力,为无人机规划出能够避开威胁区域且飞行距离较短的安全飞行路径。