二十一世纪以来,智能机器人技术获得了长足发展,移动机器人也越来越广泛地被用于物流、医疗、军事和导航等各行各业中。而路径规划问题作为智能机器人研究领域的关键技术之一,因其重要性受到了越来越多学者的关注。本文的主要研究对象是移动机器人,研究内容是全局静态环境移动机器人路径规划和动态路径规划下的避障问题。通过改进经典算法提升其性能指标和融合不同算法的优点,分别提出了基于改进快速搜索随机树算法(Rapidly-exploring Random Tree,RRT)的A*RRT全局路径规划算法和基于融合ACA-RRT(Ant Colony Algorithm,ACA)动态路径规划算法的避障策略,在仿真实验中取得了良好的效果。首先,采用RRT算法作为在全局静态障碍物环境中的主体算法,针对传统RRT算法无目的性搜索导致收敛速度慢和效率低下的问题,引入了基于人工势场虚拟力思想的双向搜索RRT算法,以使树的主干朝着最终目标的方向扩展,并使树的主干同时从起点和终点扩展从而加快路径寻优速度;在全局复杂障碍物环境中针对已改进算法出现的避障能力差,路径寻优速度相对较慢以及某些极端情况下陷入算法停滞的问题,提出了简化A*引导域思想对复杂状态空间进行预处理以减少算法初期搜索的盲目性,引入自适应步长策略加强改进RRT算法在复杂障碍物环境中的避障能力,保证机器人在不同障碍物干扰下仍然能够到达终点并形成一条最优路径。其次,在动态障碍物环境中,先针对传统蚁群算法易陷入局部最优、收敛速度慢的问题,提出了随机选择机制优化状态转移规则避免陷入局部最优,引入信息素奖惩机制以解决蚁群算法初期搜索收敛速度慢和路径规划中的死锁问题。然后提出了基于改进ACA-RRT混合算法的滚动窗口动态路径规划避障策略。在简单动态障碍物环境中,通过RRT算法快速形成一条非最优有效路径,以此路径为基础优化信息素设置,然后根据信息素浓度大小,由改进的随机状态转移规则选择下一步的节点并最终形成一条静态最优路径,最后根据滚动窗口避障策略完成动态避障任务。在复杂动态障碍物环境中,则需要在基于改进ACA-RRT算法的滚动窗口避障策略的基础上引入占空比策略,综合研判当前位置的动态障碍物信息,直至移动机器人到达目标点为止。MATLAB2014a上的实验结果证明了该避障策略的能够胜任不同类型的动态环境避障任务。