自主式水下机器人（Autonomous Underwater Vehicle），简称AUV，是一种在具备自主导航和规划能力的基础上可进行水下环境探测和海洋开发的运载平台，可代替人类到危险或者难以到达的水域，扩大了人类在水下的探测范围，增强了人类在水下的作业能力。路径规划对智能水下机器人的运动有着至关重要的作用，一直以来都是研究的热门课题。根据各种传感器采集的周围环境数据，从目前所处位置开始出发，安全绕过障碍物，到达设定的目标点的最优路径，直接关系到AUV自身的安全，最终关系到自主导航的成功与否。论文首先介绍AUV的国内外研究现状，分析了AUV的路径规划原理和常用的方法，对各种方法的优缺点进行对比，分析出这些方法对路径规划的不足，路径规划要解决的有两个问题：环境的建模和路径的搜索。在全局路径规划中，对已知的环境地图中障碍物进行膨胀和预处理，用四叉树环境建模，节省了环境信息的保存空间，使搜索更加快捷，然后运用A*算法搜寻路径，能保证向终点方向进行最短路的搜索。极限学习机（Extreme Learning Machine）,简称ELM，本文重点把这种算法运用到AUV的局部路径规划中，可以弥补其他算法的泛化性不好、处理速度慢、容易陷入局部极值等不足，用动态栅格法进行局部路径规划，有效利用ELM的优点整合到其中，对CV值大于1的栅格区域避障路径规划。最后，通过matlab平台对其做了仿真，研究了ELM在路径规划方面具有的特点，取得了一定的效果。