移动机器人是一种集信息处理、传感器融合、自动化控制以及人工智能等多学科为一体的综合研究成果,是科技创新最活跃的领域之一。随着机器人技术研究的不断深入,移动机器人的性能和功能也不断完善,不但在医疗、农业、服务等行业应用广泛,而且在应对复杂环境作业、自然灾害、空间探测、国防等领域也发挥了积极作用。因此,移动机器人技术的研究不仅具有良好的经济价值,更具有重大的战略意义。路径规划作为机器人领域的关键技术之一,不仅是移动机器人自主导航的基石,更是提升机器人运动和作业的自主性、智能性的基础。现有路径规划算法中,采样算法在高维度路径规划问题和遗传算法在多目标优化问题中的突出表现而备受研究界关注。虽然针对这两类算法的研究成果较多,但是在收敛速度上依然有较大提升空间。本文基于采样算法和遗传算法深入研究了移动机器人的路径规划,主要研究内容归纳如下:（1）针对RRT*算法获取初始路径耗时长和采样方法效率低的问题,基于RRT*-Smart算法和Informed RRT*算法提出了一种MRRT-RRT*路径规划算法。首先,通过改进RRT*-Smart算法和Informed RRT*算法的初始路径获取方式,提出了一种多次运行RRT算法并选取最短路径的初始路径获取方式,提出的方法克服RRT*算法收敛速度慢的问题。其次,结合RRT*-Smart算法和Informed RRT*算法的采样优势,提出一种融合采样策略,以固定频率采样于当前最短路径的路径点圆形邻域,其余部分采样于以起点和终点为焦点,以当前最短路径长度为长轴的椭球,通过不断缩小采样范围,提高算法采样效率。然后,证明了所提出MRRT-RRT*算法的概率完备性和渐近最优性,论证了算法的可行性。最后,将MRRT-RRT*算法与Quick-RRT*算法、RRT*-Smart算法、Informed RRT*算法和RRT*算法进行对比仿真实验。结果表明,MRRT-RRT*算法显著提高了算法的收敛速度,并且降低了内存的消耗率。（2）针对RRT*算法的采样方法效率低的问题,同时结合人工势场法对采样过程的有效引导,提出了一种融合P-RRT*算法和Quick-RRT*算法的PQ-RRT*路径规划算法。首先,将人工势场法融入采样的全过程,为采样过程提供有效引导,减少迭代次数。其次,在改进采样过程的基础上,采用Quick-RRT*算法的优化框架,进一步优化树节点的代价值。然后,证明了所提出的PQ-RRT*算法具备概率完备性、渐近最优性和快速收敛性,在理论上论证了本文算法的可行性。最后,将PQ-RRT*算法与P-RRT*算法、Quick-RRT*算法和Informed RRT*算法在四种典型环境下进行了对比实验。结果表明,PQ-RRT*算法可以获得质量更高的初始解并且具有更快的收敛速度,验证了本文算法的有效性。（3）针对初始种群质量低导致遗传算法性能差的问题,提出了一种基于有向无环图和有效障碍物的通用性更强且更高效的种群初始化方法。首先,构建两个分别从起点和终点生成的有向无环图,同时在有向无环图的构建过程中创新地引入有效障碍物的信息,从而缩短构建有向无环图所消耗的时间。其次,初始种群一半个体产生于起点有向无环图,另一半个体产生于终点有向无环图,提高了初始种群的多样性。然后,将本文提出的种群初始化方法与现有的种群初始化方法进行对比仿真实验,评价指标为初始种群中最佳个体的路径长度、生成初始化种群的执行时间,结果表明,本文提出的种群初始化方法的通用性更强且初始种群质量更高。进一步,为了验证初始种群对遗传算法性能的影响,将所提出的双有向无环图的种群初始化方法与单个有向无环图的种群初始化方法应用到改进遗传算法中,结果表明,双有向无环图的种群初始化方法显著提高遗传算法的收敛速度和收敛路径质量。