近年来,随着人们多样化的需求,多移动机器人系统应运而生。相比于单个机器人,多机器人系统能更好的适应复杂多变的环境,并行执行分布式任务,系统的鲁棒性高、容错能力强,在仓储物流、军事巡检等众多领域得到了广泛应用,因此研究多机器人协同任务规划具有重要的意义。多机器人系统中多个机器人如何分配任务、如何规划路径以及如何进行局部协调避障等问题是解决多移动机器人协同任务规划问题的关键。本文以移动机器人为研究对象,对多移动机器人任务分配、路径规划等问题展开研究,主要研究内容如下:（1）针对ST–SR–TA问题中的大规模巡检系统,考虑任务、机器人电量等约束条件,建立带约束的任务分配模型,引入罚函数将硬约束转化为软约束,构建加权多目标评价函数;提出混合选择算子、基于分段规则的交叉算子等方法改进遗传算法,使其跳出局部最优;加入虚拟任务,使算法在迭代过程中对任务进行智能分配。分别用改进遗传算法和自适应遗传算法求解带约束的多机器人多任务分配问题,实验结果表明,改进遗传算法的性能更为优越。同时,针对加权多目标优化方法求解多机器人任务分配问题时加权系数的选取具有主观性的局限,运用改进的带精英策略的快速非支配排序遗传算法来求解多机器人任务分配的多目标优化问题,使其在满足约束条件的同时,对电量评价函数和时间评价函数进行优化,生成高质量的Pareto解集,即生成多个高质量的任务分配结果。（2）考虑任务分配后移动机器人在已知环境中的全局路径规划问题,构建环境模型,运用坐标系转换及三次样条插值简化判断路径片段与障碍物是否相交的算法。综合路径长度和碰撞风险构建性能评价函数,利用基于维度学习的狩猎搜索策略以及变异操作对灰狼优化算法进行改进,构造含变异操作的改进灰狼优化算法（MI-GWO）,克服了灰狼优化算法的缺点和不足。通过与I-GWO和I-PSO规划的路径进行对比,证明了MI-GWO规划的路径长度更短且安全性更高。（3）基于获得的全局路径,针对多移动机器人导航过程中存在的路径冲突问题,对时间弹性带（TEB）算法进行扩展,使其可以根据环境变化快速刷新轨迹从而有效避开障碍物,并在RViz中验证了扩展的TEB算法的有效性。（4）最后将MI-GWO和扩展的TEB结合,在搭建的仿真平台和实体实验平台上进行导航实验,验证了路径规划算法的可实现性。