无人机因其高度的机动性,卓越的情报侦查能力和对恶劣环境的快速处理能力吸引了全世界军事组织的目光,但同时现代化的战场环境也对无人机提出了更高的要求。当无人机在空中以固定高度飞行执行战斗任务时,需要能够精确地躲避敌方的雷达、火炮和禁飞区等威胁;当无人机在局部未知或完全未知的三维环境中执行任务时则需要无人机能够实时处理大量的环境信息并进行快速有效地在线航迹规划。为了获得高效高精度的无人机航迹规划结果,同时实现未知环境下的无人机在线航迹规划。本文在充分考虑无人机飞行环境约束、任务需求约束和自身机动性约束的基础上,提出了已知环境下的无人机二维航迹规划算法和未知环境下的无人机三维在线航迹规划算法,从而为无人机在实际环境下的应用提供技术支撑。本文首先对已知环境下的无人机二维航迹规划问题进行分析,通过在解空间中引入无人机物理约束,提出了一种改进的快收敛人工蜂群（FC-ABC）算法来对该问题进行求解。该算法在蜜源初始化阶段采用了基于无人机物理约束的随机蜜源初始化方法,确保了种群的多样性和初始航迹的可行性;在雇佣蜂邻域搜索阶段采用基于无人机物理约束和最优蜜源信息相结合的启发式自适应算法,利用最优蜜源信息引导蜜蜂进行邻域探索,加快了算法的收敛速度。跟随蜂在对雇佣蜂蜜源进行选择时采用了基于-7)8)（69）9)探索策略和蜜源位置信息相结合的选择机制来增强算法的全局搜索能力,大幅度降低了算法陷入局部最优解的可能性。仿真结果表明,FC-ABC算法相较其他的改进型人工蜂群算法有更出色的解算效果。针对三维未知环境下的无人机在线航迹规划问题,本文创新性地将空间分层思想与lazy theta*算法结合,提出了一种改进的稀疏分层lazy theta*（SHLT*）算法来对该问题进行求解。该算法利用稀疏分层框架对三维空间进行建模,将整个空间划分为不同层级的子空间,同时引入无人机动力学约束优化后继节点,从而大幅度地减少算法的搜索空间。在此框架的基础上,本文采用了自适应的lazy theta*算法在各层级的空间中寻找最短路径,加快算法计算的同时提高生成路径的质量。最后对生成的路径进行平滑,抛光处理,去除路径中不必要的转弯和锐化的边角。仿真结果表明,SHLT*算法能够在较短的时间内规划出一条接近最优的从起点到终点的路径,与分层D*lite（HD*）算法相比能产生更短,更平滑的路径。