路径规划是移动机器人技术研究领域中非常重要的部分。面对愈渐复杂的工作环境,传统的路径规划技术存在各种难以解决的问题,如计算量大、完备性差、需要环境精确建模等,难以满足现代的实际需求。因此,无需环境精确建模、结构简单且通用性高的智能优化算法便成为路径规划研究的新兴热点。麻雀搜索算法是2019年提出的群智能优化算法,其思想来源是麻雀种群的觅食行为和反捕食行为。麻雀搜索算法由于其结构简单、收敛速度快等优点,已经在一些实际工程问题上得到应用。因此,本研究基于麻雀搜索算法对移动机器人路径规划问题进行研究。针对麻雀搜索算法的过早收敛、全局探索能力较弱、跳出局部最优解能力弱等不足,以及优化过程中收敛速度与种群多样性之间的权衡,从算法结构、参数控制以及路径规划策略等方面提出改进,提高算法的全局探索与局部开发能力,以及跳出局部最优的能力。在本文中,对于移动机器人的路径规划问题,分为全局路径规划和局部路径规划,分别用改进后的麻雀搜索算法在两个问题上进行应用和分析,印证了本文算法的有效性与适用性。主要研究内容如下:（1）基于随机反向麻雀搜索算法的移动机器人全局路径规划方法。针对麻雀搜索算法全局探索能力较差、易过早收敛以及容易陷入局部最优陷阱的缺点,引入随机反向学习和线性递减机制对麻雀搜索算法进行改进,并针对移动机器人全局路径规划问题提出解决方法。在基准函数集上测试所提出的算法的性能,并与常见智能优化算法的结果进行对比,验证了本算法的有效性;在多个不同复杂程度的模拟环境中进行仿真实验,结果表明所提出的算法在全局路径规划问题上可以得到更优的解。（2）基于改进麻雀搜索算法的移动机器人局部路径规划方法。在对麻雀搜索算法进行更深入的分析后,改进了发现者的更新方式,以实现更稳定的全局探索;原算法的跳出局部最优操作过于随机,引入FDB选择方法,给原本随机行走的个体一个可能的搜索方向,不降低种群多样性的同时让算法得以探索更多的方向;针对跟随者收敛手段单一,仅向最优个体收敛,导致过早收敛的问题,以哈里斯鹰优化算法的渐进式俯冲机制为灵感,引入渐进式搜索机制,增强收敛能力的同时具备跳出局部最优的能力。在CEC2017函数集上对所提出的算法进行了性能测试,并与多个智能优化算法进行了性能对比,来验证算法的有效性。最后,针对移动机器人局部路径规划问题提出基于改进麻雀搜索算法的解决方法,并在仿真环境下实现了局部路径规划的结果。