针对运行于低空环境的旋翼无人机，提出了一种高时效的航迹规划策略，其核心算法为：稀疏A*与神经动力学融合算法。该融合算法首先基于改进的稀疏A*的全局最优搜索，再融入改进的神经动力学模型的局部快速调整，使无人机准确地规避局部动态突发障碍物，实现了快速在线航迹规划。该融合算法不仅降低了A*最优搜索的复杂度和耗时，同时也降低了神经动力学航迹规划的代价花费，可见其兼备高质量和高时效的双重优良品质。论文主要工作如下：　　1.提出改进的稀疏A*算法本文主要针对稀疏A*算法进行改进，主要从3个方面实现改进：首先，改进经典A*的代价函数，通过设置权重的办法，适当提高代表Dijkstra算法原理的实际代价g(n)在A*代价函数中作用效力，提高航迹结果的质量；其次，优化稀疏A*的约束条件，根据6自由度的运动特点改进无人机的航迹决策办法；最后，改进稀疏A*的算法流程，对稀疏A*算法的数据结构和流程进行简化改进，并设计双向并行执行规划的办法。　　2.提出改进的生物启发神经动力学模型算法本文主要结合旋翼无人机的自由度特点，限定生物启发神经动力学模型的神经元活性值的更新范围，改进其全局更新为局部更新的模式，减少遍历神经元个数，达到降低全局空间、时间复杂度的效果，为高时效的在线规划提供必要条件。　　3.提出稀疏A*与神经动力学融合算法本文提出的融合算法主要对改进的稀疏A*算法和改进的生物启发神经动力学模型算法进行融合，综合了A*全局最优搜索和神经动力学模型局部快速决策的特点。该融合算法的实现主要包括两方面：第一是数学模型的融合，即A*算法代价函数与神经元活性值状态方程的融合；第二是算法流程的融合，即A*算法最优搜索与神经元活性值状态更新过程的融合。　　最后，设计3维复杂多峰山地环境下全局静态和局部动态障碍情况下的航迹规划仿真实验。通过本文提出的融合算法与各经典算法、各改进算法的实验结果对比，验证了该融合算法的“短耗时”和“低代价”优化性能，它尤其能为在局部动态环境下飞行的旋翼无人机提供高时效、高质量的在线规划策略，这对旋翼无人机的“无人化”性能提升方面具有非常重要的意义。