路径规划技术是指在具有障碍物的环境中，按照某一特定的评价标准，寻找一条从起始状态到目标状态的最优无碰撞路径。路径规划技术已经被广泛应用于机器人，超大规模集成电路设计，地理信息系统和导航系统等领域。迄今为止，在移动机器人路径规划方面国内外呈现出大量的研究成果，主要方法有：梯度下降法、动态规划算法、A*算法、图论算法、人工势场法、模拟退火法、禁忌搜索法、人工神经网络法和群体智能优化算法，如遗传算法、蚁群算法、粒子群算法等。遗传算法作为群体智能算法的重要分支之一，以达尔文的自然选择学说为基础，通过遗传操作产生子代群体，并按照优胜劣汰的原则指导种群进化，它具有较强的全局寻优能力。将遗传算法用于求解路径规划问题，近年来引起了国内外研究学者的广泛关注，也取得了一定的研究成果。采用传统遗传算法进行路径规划时，对间断无障碍路径进行插入修复很难保证解的可行性，并且由于选择压力的影响，算法易陷入局部最优。为此，本文提出一种基于Moore邻居统计模型的可行路径生成算法，并在此基础上利用元胞遗传算法进行路径规划，以提高算法性能。元胞遗传算法将元胞空间结构和元胞状态转换规则与遗传操作相结合，将遗传算法种群中的个体视为一个独立元胞，所有个体被随机映射到同等规模的二维元胞空间中，通过元胞邻域内的遗传操作和元胞演化规则进行进化，直至满足终止条件为止。元胞遗传路径规划算法在局部优化的同时保持了群体的多样性，进而在一定程度上克服了算法的早熟收敛。结合VisualC++6.0和Matlab7.0混合编程建立路径规划仿真平台，在不同障碍物配置环境下对本文算法与其它同类算法进行仿真测试以验证算法性能。仿真结果表明，与同类算法相比，本文所用的算法在解的质量上都有较大程度的改善，表明了元胞遗传算法的有效性和可行性。