路径规划就是指按照先验知识，在满足一定约束条件下，从有障碍物的环境中规划出一条从起点到终点的无碰撞路径。它在机器人学，地理信息系统，G IS等众多领域有广泛的运用，对它的研究有重要的意义。路径规划问题包括环境表达、规划方法、路径搜索策略三个方面，环境表达研究如何有效表示环境信息；规划方法研究如何把环境模型抽象为数学模型；路径搜索策略研究求解满足约束条件的路径的技术。本文从这三个角度对路径规划问题进行研究，主要工作包括：　　 1深入研究了基于可视图法的全局路径规划。将路径规划问题转换为用枚举类型搜索算法搜寻从起点到终点的最短路径问题。并且对搜索算法做出了基于数据储存结构、存储空间和搜索方向三个方面的改进，以达到降低时间复杂度，提高搜索效率的目的。　　 2环境表达是路径规划的核心问题之一，在保证环境信息不丢失的情况下尽可能简化环境模型是提高规划效率的重要手段。环境模型的复杂程度是与环境中障碍物顶点数目密切相关的。因此，在环境表达的过程中，减少障碍物顶点数目是提高规划效率的一个重要环节。本文提出一种基于导数方法的最小外接矩形法。该方法可以有效将环境中任意障碍物多边形的顶点数目下降为四个，这样就大大降低了环境模型的复杂程度。　　 3遗传算法是近年来智能算法的研究热点，也是目前路径规划研究中应用较多的一种搜索策略。但在环境复杂，障碍物数目较多的情况下，会出现初始种群规模庞大，适应度函数区分度不高，遗传算子设计不合理的缺陷，本文设计了具备明确物理意义的适应度函数和遗传算子，通过仿真实验表明，该方法能够切实有效搜索出最短路径。　　 4粗糙集理论是波兰学者Z.Pawlak在1982年提出的，它是一种刻划不完整性和不确定性的数学工具，能有效地分析不精确，不一致(ineon sistent)，不完整(incomplete)等各种不完备的信息，还可以对数据进行分析和推理，从中发现隐含的知识，揭示潜在的规律。遗传算法在规划多障碍物复杂环境中的路径时最容易出现的问题就是产生规模庞大的初始种群。本文引入粗糙集软计算方法，对遗传算法种群初始化过程进行改进，经过分析表明，该方法能够达到降低遗传算法初始种群规模的目的，这样就提高了之后遗传算法的进化效率。