确定性启发式路径规划算法能够利用启发函数高效地进行目标搜索，在导航、制图、地理信息系统以及机器人学等方面得到广泛应用，是人工智能领域的研究热点之一。本文在分析传统确定性启发式路径规划算法的局限性的基础上，提出了两种能够在栅格环境中规划出光滑路径的算法。主要研究内容包括：　　 ⑴研究了A*算法、Anytime A*算法、LPA*算法、D*Lite算法以及Field D*算法等现有的路径规划算法。对这些算法的性能进行了总结分析。　　 ⑵针对在栅格环境中规划光滑路径的问题，提出了一种基于离散代价的光滑路径重规划算法。在路径回溯阶段，算法对线性插值计算出的反向指针进行梯度上的修正，然后以节点扩展阶段计算出的离散代价作为启发函数，采用启发式搜索的方式回溯结果路径，最后执行后期光滑，从而实现了一种在路径结果质量和执行时间上进行折中的的新方法。　　 ⑶提出了一种基于连续代价的光滑路径重规划算法。为此，首先在线性插值方法的基础之上设计了一种静态规划算法，Update-Reducing Field A*算法。之后为实现重规划，将Update-Reducing Field A*算法扩展为Update-ReducingField D*算法。由于较Field D*算法具有更少的节点rhs值更新次数，并且结合了后期光滑，因此新算法在性能上优于Field D*算法。此外，还设计了与环境相适的启发函数，它可进一步提高新算法的执行效率。