移动机器人路径规划是移动机器人技术研究中关键的问题之一，路径规划的主要任务是当移动机器人运行在外界环境中时，寻求一条从已知起点到终点之间的最优路径，即在存在障碍物的空间中能够找到一条最短的或最低代价的无碰撞路径。智能算法作为解决非线性问题的特殊方法，正在引起人们的广泛关注，它是用计算的手段或方法来获取和表达知识，并模拟实现智能行为。将智能算法运用到移动机器人路径规划中并对算法加以改进，是本文的研究重点。主要内容如下： 首先从移动机器人的历史和现状出发，对比机器人技术在国内外的不同发展状况，详尽地介绍机器人的定义和分类，讨论移动机器人技术的研究意义和基本研究方向，对移动机器人领域的各种路径规划算法进行综述，并总结路径规划所要解决的基本问题。 其次深入研究Dijkstra算法和启发式搜索算法，在对比两种算法的基础上应用启发式A*算法对移动机器人进行路径规划。同时对算法的启发函数进行加权处理，比较了静态加权和动态加权两种方法，实验仿真表明，应用动态加权的启发函数减少算法搜索的节点数目，在算法的搜索效率上，有了很大的提高。 然后提出基于神经网络的移动机器人路径规划。利用神经网络原理研究移动机器人的路径规划方法，此方法用并行网络输出的碰撞罚函数来量化路径点与障碍物的远近程度，并通过求解能量函数的最小值，来实现机器人的最优路径规划。实验表明，该方法在参数取值合理的情况下能较好的完成路径规划任务，但是在障碍物较多的情况下容易陷入局部极小值。 最后针对神经网络路径规划出现的局部极小值问题，引入模拟退火算法对其进行求解。在神经网络与碰撞罚函数建立路径与障碍物间优化模型的基础上，提出一种新型改进模拟退火算法，该算法改善了经典模拟退火算法的退火函数。仿真实验表明改进的算法有效提高收敛速度，满足系统实时性的要求，实现了移动机器人的全局路径规划。