在移动机器人的研究领域中,路径规划技术一直是研究人员和学者的重点研究方向之一。本文在传统的快速扩展随机树（Rapidly-exploring Random Trees,RRT）算法的基础上,针对多障碍物环境和不规则障碍物环境下的移动机器人的路径规划问题,提出了两种改进的RRT算法,分别为:在多障碍物环境下的基于变权重势场的改进RRT算法和在不规则障碍物环境下的基于模糊逻辑的改进RRT*算法,并在仿真实验中进行了验证,实验结果表明改进的两种算法能够有效的解决原有算法在路径规划中时间长、采样点数目多、路径不平滑等问题。本文的主要工作如下:首先,为了解决在多障碍物环境中,传统的RRT算法在路径规划时产生的过于随机性的选择路径、收敛速度较慢、避障效果较差等问题,通过采用KD-Tree算法和变权重的人工势场法的规划策略,对传统RRT算法进行了改进,提出了一种基于变权重势场的改进RRT算法。该算法采用KD-Tree算法将需要规划的空间进行多级分割形成若干部分,解决了RRT算法在路径规划时随机性强和对整个环境进行遍历的问题;然后在原RRT算法的基础上引入了变权重的人工势场法进行启发式搜索,从而解决了RRT算法在路径规划时收敛速度慢和避障效果较差的问题。其次,主要解决在不规则障碍物环境中,RRT*算法在路径规划时产生的搜索效率低和路径不平滑、路径不优等问题。通过采用模糊逻辑的策略,提出了一种基于模糊逻辑的改进RRT*算法。在RRT*算法的基础上加入了模糊逻辑策略,降低了搜索路径的时间,解决了路径不光滑的问题,然后用2-opt算法选取出最优路径,进而解决了RRT*算法在路径规划时产生的搜索效率低和路径不平滑、路径不优的问题。最后,在MATLAB仿真平台中,对本文提出的两种改进算法分别在多障碍物和不规则障碍物的环境下进行仿真实验,仿真结果表明:本文所提出的两种改进算法能够有效的解决传统的RRT算法在移动机器人规划路径过程中所存在一些的问题。