随着科学技术的不断发展,机器人技术也在不断进步,机器人学科也越来越代表当今信息、自动化和系统集成技术的最新发展方向,也带动了这些领域的技术发展。随着机器人技术的不断发展,涌现出了一系列的新型路径规划方法。移动机器人的动态路径规划由于在实际应用中实际环境的复杂性和算法的局限性,所以一直是机器人运动规划中的重点和难点。　　 本文主要从机器人的系统框架和路径规划算法两个方向展开研究,来对移动机器人的动态路径规划问题进行优化改进。简单介绍了机器人的定位、感知、通信和运动等模块,对现有的一些路径规划方法进行分析,如栅格法,几何顶点法,随机法和人工势场法等,对每种算法在未知环境中实现的可能性和优缺点进行分析和比较。　　 本文着重讨论和研究了模糊神经网络的算法,并将模糊控制与该神经网络算法相结合,使得神经网络具备了模糊推理和归纳的能力,又利用神经网络的自学习功能在实际的控制过程中不断地修正该模糊神经网络的推理归纳方式。同时,由于模糊神经网络克服了神经网络的结构不具备明确的物理意义的缺点,使得模糊神经网络的结构设计和权值的初始化相对简单,面向传统人工势场理论的不足并依据在机器人局部路径规划的特点,论文采用改进的斥力势场函数将机器人与目标的相对距离和速度考虑在内以解决局部最小值问题。并引入神经网络模糊系统同时兼顾了系统的鲁棒性和快速性,并在实验中得到了有效的验证。通过仿真比较了本文算法和人工势场法,进一步证明了本文算法的优点。