服务机器人的导航任务主要包括对环境地图构建、自主定位、路径规划和动态避障等。其中路径规划是导航技术中最重要的功能。但单一的路径规划算法只能满足服务机器人在某一种环境中的路径规划需求。本文针对服务机器人复杂环境下的混合路径规划技术进行了深入研究和探讨。主要工作内容如下:针对蚁群算法难以确定重要参数的最优组合问题,在根据展览大厅环境建模的地图中进行了仿真实验,验证了蚁群算法重要参数对算法寻优质量的影响大,并得到在展览大厅环境地图中能够发挥蚁群算法最佳性能的算法参数的取值范围,分别为自由栅格的数量是蚂蚁数量的6倍左右、α?[1,2]、β?[5,9]、ρ?(0.2,0.8)。分析了粒子群算法和蚁群算法所存在的问题。针对采用蚁群算法求解服务机器人全局路径规划时,会出现规划效率低,算法参数的改变对规划效果影响大等问题,提出了一种粒子群参数优化的改进蚁群算法。针对改进后算法耗时大的问题,给出了粒子群算法的动态惯性权重调整策略和改进蚁群算法信息素更新策略,保证求解质量的同时,提高了优化效率。通过仿真实验证明了该算法能够发挥蚁群算法最佳性能,规划路径缩短了约12%,转折点数量减少了约50%,提高了移动机器人到达目标点的速度并降低了机器人运动过程中的损耗。采用人工势场法进行局部路径规划时存在目标不可达问题和易陷入局部极小值问题。通过在传统人工势场法的斥力势场中同时引入目标距离相关函数和动态障碍物的速度斥力势场函数,使改进的人工势场法进行局部路径规划时能够避免目标不可达问题,并且能够躲避移动障碍物。通过仿真实验验证了改进算法的有效性。针对服务机器人路径规划的需求提出了基于改进蚁群和人工势场法相结合的混合路径规划方法。对Dashgo D1移动实验平台进行运动学建模。搭建了路径规划实验环境,对实验环境使用gmapping SLAM算法进行地图构建实验。通过在静态地图中加入动态障碍物的混合路径规划实验,证明了本文混合路径规划算法能够使移动机器人沿着全局最优路径行进的同时躲避临时出现的动态障碍物是正确的。