随着人类对海洋影响加剧以及工业农业产生的污染大幅度增加,我国沿海海域的环境遭受大的破坏,出现了如赤潮、绿潮这一类污染水源、影响人类身体健康的有害藻华（Harmful Algal Blooms,HABs）。HABs的生命周期由发育、发展、维持、消亡四个阶段构成的,从发育到消亡持续时间短。针对HABs的观测与研究至关重要,观测数据有助于我们对HABs的扩散进行预测,对其治理方法提供新的思路,从而减少对人类的经济损失,降低对人类身体健康的危害。针对HABs这一类分布范围较小且特征要素呈现热点状态的海洋特征,运用具有快速性和灵活性的自主水下机器人（Autonomous Underwater Vehicle,AUV）进行采样观测是一种有效的途径。针对近海区域爆发的HABs的观测问题,本文将其分拆为在HABs区域内部的采样观测问题和AUV从起始位置移动到HABs区域的路径规划问题,并进行HABs区域特征要素采样观测方法研究和含有障碍物工作环境下的路径规划方法研究。首先,对HABs的观测问题进行数学描述,定义了观测过程中所需变量的符号,交代了高斯过程回归的基础知识及实现过程,通过实验比较了自适应采样算法、梳状采样、全局随机采样的优劣,确定了以兴趣区域的估计值和实际值的均方误差和平均绝对误差来描述观测效果,为HABs观测方法研究奠定基础。其次,针对AUV从起始位置到HABs区域边缘的路径规划问题提出了一种改进的生物启发式神经网络模型。将整个工作环境栅格化,并将每个栅格与神经网络模型的神经元一一对应,将栅格的兴趣区域、障碍物区域分别对应神经元的刺激与抑制,相邻神经元的相互影响导致整个神经网络模型中的神经元活性各异,AUV通过比较周围神经元活性的大小规划出一条安全无碰撞的路径。通过仿真实验证明了本文提出的改进的生物启发式神经网络模型算法针对AUV在复杂环境下大余量避碰问题和AUV间避碰问题的有效性。最后,针对HABs区域的特征要素采样观测问题,提出了一种基于高斯过程回归的自适应采样观测算法,将HABs爆发中心称为热点区域,将观测分为热点区域搜索、热点区域类梳状采样和热点区域逃离三个阶段。通过AUV自身采样的数据运用高斯过程回归方法进行环境预测和更新,在线规划AUV自适应采样路径完成未知区域的采样观测。通过增加热点区域的采样次数增大热点区域的观测精度,将已采样热点区域的排斥力,采样密度低的区域的引力,均值方差最大边界位置的引力三者的合力指导AUV逃离热点区域,避免AUV在采样过程中陷入局部最优,驱动AUV完成HABs区域的全局采样观测,最后通过AUV采样值对HABs区域叶绿素浓度重构,检验该算法采样观测的效果。分别通过三个热点区域和四个热点区域环境下改进自适应采样算法、常规自适应采样算法和常规梳状采样算法的对比仿真实验,证明改进自适应采样算法具有更高的观测精度和观测速度。