在复杂或危险作业环境中,机器人可辅助或代替人力完成任务,不仅可有效保证人类生命安全,还具有良好的经济效益。路径规划问题是指在给定工作空间中找到一条连接起始点与目标点的无碰撞路径,从而为移动机器人执行任务提供技术支撑。快速搜索随机树（Rapidly-exploring Random Tree,RRT）算法是一种基于采样的智能路径规划算法。该算法无需对环境建模,计算复杂度低,可快速在工作空间中找到可行路径,但在动态环境中搜索路径时存在随机性大、收敛速度慢、路径拐点多等问题。因此,本文以移动机器人为研究对象,针对动态环境中RRT算法的优化策略问题进行研究,主要研究内容如下:（1）针对复杂静态环境中RRT算法搜索路径效率低的问题,基于混合采样和回溯布线策略提出一种快速路径规划算法（Fast Rapidly-exploring Random Tree star,Fast-RRT*）。首先通过混合采样和回溯布线策略降低RRT算法采样的随机性和搜索路径时的时间成本,并基于三次B样条算法平滑路径提高路径的可行性,最后通过数值仿真和虚拟实验,验证了所提算法的有效性和优越性。（2）针对动态环境中RRT算法导航效率低的问题,基于改进RRT*-SMART算法和局部避障策略提出一种高质量路径规划算法（High-quality Dynamic Rapidly-exploring Random Tree star,HQD-RRT*）。通过改进RRT*-SMART算法规划高质量初始路径,并将树结构节点信息储存为先验知识。在沿初始路径导航的过程中,根据先验知识和传感器获取的数据信息局部避障,提高了RRT算法在动态环境中的避障效率。（3）针对动态环境中多移动机器人的协同路径规划问题,提出一种基于回溯布线RRT*算法（Back Tracking Rapidly-exploring Random Trees star,BT-RRT*）和自适应局部避障策略的动态路径规划方法。首先,通过BT-RRT*算法降低RRT搜索路径时的时间成本,确保各移动机器人具有较优初始路径;其次,根据自适应局部避障策略实现多移动机器人之间的协作避障;最后,通过仿真实验验证了算法的有效性,实验结果表明,该方法可有效提高动态环境中多移动机器人的导航效率。