近年来,随着社会的发展和科学技术的不断创新,机器人领域的研究也在不断深入。机器人路径规划作为机器人领域的一个分支,在实际生产和应用中有着重要意义。但是由于机器人的实际操作环境复杂多变,现有的许多智能算法应用到路径规划上都有着各自的缺点。布谷鸟算法(Cuckoo Search,CS)是近年提出的一种新的群智能算法,设计简单高效,全局搜索能力较强,参数较少便于调控。为此本文尝试采用布谷鸟算法来解决机器人路径规划问题。首先,对布谷鸟算法的原理进行理解,通过相关文献对布谷鸟算法的研究,发现传统布谷鸟算法存在收敛速度慢,易陷入局部极值的缺点。所以针对布谷鸟算法的不足提出三点改进:一是在发现概率中加入动态调整策略,尽可能保留质量较好的解,丢弃质量较差的解;二是对随机游走进行改进,加强群体最优解对个体的指导作用,加速算法的收敛;三是在随机游走后,加入群体间相互学习策略,提高算法的局部寻优能力。用测试函数集对改进布谷鸟算法(ICS)进行实验,并与传统布谷鸟算法、粒子群算法、文献[65]蚁群算法进行对比,验证改进算法的有效性,结果表明改进布谷鸟算法具有更高的寻优精度。然后,建立栅格地图仿真环境模型,将改进布谷鸟算法应用到机器人路径规划中,针对不同大小的仿真环境进行多次实验。结果证明在三种不同规模的仿真环境中,改进布谷鸟算法对比其它三种算法寻优效果更好,求解精度更高。为了进一步提高改进布谷鸟算法的性能,本文提出将A*算法与改进布谷鸟算法进行融合,用A*算法产生的较优解代替改进布谷鸟算法中的随机初始最优解,加快算法的收敛速度,并对所得路径进行平滑操作,减小路径的长度和转折次数。对融合改进后的布谷鸟算法(A-ICS)进行仿真对比实验,结果显示A-ICS比ICS的收敛速度更快,且得到的路径更短,更平滑。