路径规划是移动机器人实现自主导航的关键,根据周围环境信息是否已知,将其分为全局路径规划和局部路径重规划。在已知环境中,通过全局路径规划得出一条全局路径,当遇到突发障碍物时,同样也需要借助局部路径重规划进行局部避障。本文提出一种全局和局部路径规划相结合的混合路径规划,主要研究内容如下:（1）针对蚁群算法（Ant Colony Optimization,ACO）在进行全局路径规划时出现的收敛速度慢,不容易寻得全局最优解,易受到非最优路径信息素的干扰等问题,本文提出一种基于改进蚁群算法的全局路径规划。首先设计一种同步双向A*算法,引入方向评价函数加速该算法收敛,并利用该算法对蚁群的初始信息素分布进行优化。然后对蚁群算法的转移概率引入随机机制,增强算法的全局搜索能力。最后对蚁群算法的信息素更新策略引入奖惩因子,降低算法在非最优路径附近的搜索次数,加快算法的收敛。引入测试函数对改进的蚁群算法进行性能分析,并通过仿真实验验证该算法在全局路径规划上能够取得更好的结果,证明所提改进策略的有效性。（2）针对鸽群算法（Pigeon-Inspired Optimization,PIO）在进行局部路径重规划时出现的执行效率低,安全性不足,后期种群数量过少等问题,本文设计一种新的评价函数判断策略和评价函数指标,并提出一种基于改进鸽群算法的局部路径重规划。首先使用Logistic映射对鸽群算法进行初始化来提高算法的执行效率。其次,在地图算子阶段,融入天牛须算法,使鸽群算法能同时考虑群体和个体的作用,并进一步对全局最优位置引入Metropolis准则,使算法跳出局部最优解。最后,在地标算子阶段,引入logsig函数作为种群数量的自适应因子,改进后期种群数量过少的问题。引入测试函数对改进的鸽群算法进行性能分析,并通过仿真实验验证该算法能够更好实现局部重规划,证明所提改进策略的有效性（3）针对复杂环境下存在突发障碍物的情况,本文提出一种全局和局部相结合的混合路径规划。利用改进的蚁群算法进行全局路径规划,利用改进的鸽群算法进行局部路径重规划,并引入三次B样条曲线对路径上的折线段进行平滑化和重规划处理,满足移动机器人的运动特性,最终得到一条平滑可行的路径。仿真实验证明,移动机器人在遇到突发障碍物时能安全避障,本文提出的混合路径规划具有一定的实用性,可以用于复杂环境下移动机器人的路径规划。