现代科学技术的快速发展,推动专家学者对移动机器人技术的研究,使得机器人走出实验室应用在越来越广泛领域,如军事国防、医疗康复、救援抢险、生活服务等各个方面。路径规划作为移动机器人研究的关键技术之一,也成为一个重要的研究课题。在复杂环境中规划出一条安全无碰撞的最短路径是移动机器人实现安全、快速、高效运动的重要保障。本文主要基于遗传算法、蚁群算法以及人工势场法针对移动机器人在静态已知环境的全局路径规划和存在动态障碍环境的局部路径规划问题进行研究,并对三种算法分别进行了改进,解决传统算法存在的问题。论文主要研究工作如下:首先针对全局规划问题采用栅格法建立环境模型,分别利用改进遗传算法和改进蚁群算法进行全局路径规划研究。传统遗传算法存在后期收敛速度慢以及出现局部最优解的缺陷,对算法进行了改进。利用列扫描和插值法生产初始种群。并采用新的适应度函数,运用自适应交叉、变异概率系数。仿真验证算法的改进提升。传统蚁群算法存在搜索缺乏方向性、不稳定的缺陷,对算法进行了改进。改进转移函数,增加了自适应启发函数,同时对信息素分配进制进行改进,实行奖励制度,对算法的影响参数如蚂蚁数目、信息素挥发系数、信息素启发因子和期望启发因子进行了分析后选择了最佳参数。改进的两种算法仍有不足,提出遗传蚁群融合算法,通过改进遗传算法的全局搜索能力为改进蚁群算法提供初始信息素,蚁群搜索结果又进行遗传操作促进进化。通过仿真实验对比,表明本文设计的遗传蚁群融合算法相比于改进遗传算法和改进蚁群算法,在全局路径搜索能力、算法稳定性以及收敛速度上均处于最优,本文设计的算法具有可行性和优越性。针对环境中存在动态障碍的问题选择改进势场法。在引力势场中加入全局路径的影响,将全局路径拆分多个线段,将线段端点和线段分别产生引力场,分步完成局部路径规划。在斥力势场中加入相对运动障碍的速度场和加速度场。并给出解决最小陷阱的方法。通过仿真验证改进后的人工势场算法有效地应对出现的静态和动态障碍。