自主导航技术是移动机器人应用的核心和焦点之一,主要包括建图、定位、感知和路径规划等,路径规划是其中的关键技术。局部路径规划由于障碍信息未知和机器人所配置传感器感知环境有限,通常存在局部死锁和路径冗余的问题,难以快速规划出安全、平滑的最短路径。针对上述问题,本文基于多种智能控制方法,研究移动机器人如何自主、高效地完成局部路径规划任务。针对移动机器人局部路径规划任务和规划效率的问题,对基于模糊控制和长短期记忆（Long Short-Term Memory,LSTM）神经网络的局部路径规划方法进行了研究。首先,针对局部路径规划任务提出一种基于模糊控制的移动机器人局部路径规划算法（Fuzzy Logic Control,FL）,设计了融合普通避障行为和沿墙走行为的模糊控制器,并针对局部死锁和路径冗余问题设计了累加转角和、陷阱预测机制和基于人工势场法的有限状态机等解决策略;然后,为提高路径规划的效率,提出一种基于LSTM神经网络的移动机器人局部路径规划算法（LSTM＿FL）,设计LSTM神经网络模型,通过FL算法收集数据训练模型。最后,对两种方法分别进行仿真测试。结果表明,两种方法在各种常见的障碍环境中均能安全避障并到达目标。相比于FL,LSTM＿FL在规划效率方面有明显的提升。针对移动机器人所配置传感器感知环境的局限性,避免目标不可达、缩短路径距离和增强学习与泛化的能力,提出一种基于LSTM神经网络和强化学习的移动机器人局部路径规划融合方法（LSTM Fuzzy Transfer Reinforcement Learning,LSTM＿FTR）。首先,针对移动机器人局部路径规划任务设计了包含LSTM单元的神经网络模型;其次通过低维输入的FL算法收集训练数据,通过迁移学习对网络模型进行预训练,学习解决局部路径规划问题的基本能力;然后结合强化学习从环境中自主学习新的规则以更好地适应不同运行场景;最后,将所得模型进行仿真测试。相比于FL和LSTM＿FL算法,LSTM＿FTR提高了路径规划的成功率、缩短了路径长度,并且在密集复杂的环境中更能体现其优越性。