无人机自组网（Flying Ad Hoc Networks,FANETs）是一种以无人机（Unmanned Aerial Vehicle,UAV）为节点的特殊自组织网络,因其组网灵活、鲁棒性强、可重构、易于部署的特点,现已被广泛应用于军用和民用领域。路由算法作为FANETs的关键技术,直接决定了FANETs中通信的效率和性能。但由于UAV移动性高、网络拓扑变化快、节点能量受限等特点,使得现有的典型路由算法直接应用到FANETs中会导致通信性能下降。论文针对FANETs微型UAV节点高速移动和能量耗尽造成通信链路频繁断开的问题,开展了适用于FANETs的具有移动性感知和能量均衡的路由算法研究;提出了两种基于位置信息的多约束（节点速度、剩余能量、延时和丢包率）路由算法,分别采用布谷鸟搜索（Cuckoo Search,CS）和Q学习对路由决策中的多目标优化问题进行优化。仿真结果表明,提出的路由算法能够适应FANETs快速变化的网络拓扑,保证FANETs的网络服务质量（Quality of Service,Qo S）保障。论文的主要工作内容如下:（1）分析UAV的移动速度快和能量受限的特点给FANETs路由技术带来的挑战,并总结FANETs路由的三大设计需求:移动性感知、能量均衡和Qo S保障。（2）提出一种基于布谷鸟搜索的多约束路由算法（CS-Based Multi-Constraint Routing,CSMCR）,描述了该算法发现邻居节点、获取可用路径、基于CS优化路由决策的过程,阐述了CSMCR算法的设计与实现,包括多约束模型的建模、路由过程中邻居表和路由表的更新与维护、路由决策过程中适应值函数的设计以及利用CS算法优化路径选择。在网络仿真软件NS-3中对所设计的CSMCR进行了仿真分析,证明CSMCR能够适应高移动性场景,且保证了FANETs的能量均衡和服务质量。（3）提出基于Q学习的多约束路由算法（Q-learning-Based Multi-Constraint Routing,QMCR）,描述了该算法发现路由邻居和基于Q学习优化路由决策的过程,阐述了QMCR算法的设计与实现,包括奖励函数的构造、定义自适应学习率和折扣因子、邻居表的更新与维护以及设计基于Q值的路由决策标准。在NS-3中对所设计的QMCR进行了仿真,并与CSMCR作对比分析,证明QMCR对动态网络拓扑有更好的适应能力和更优的通信性能。