本文针对复杂约束环境中非完整约束轮式移动机器人路径规划的一些关键问题，提出了基于增强学习的双向快速扩展随机树算法和基于混合策略的轮式移动机器人路径规划方法，通过典型环境验证了算法和方法的有效性。本文的主要的创新点和成果包括：（1）提出一种基于增强学习的全局路径规划算法—基于增强学习的双向快速扩展随机树(R-RRT)算法。在该算法中，引入增强学习方法对每个节点建立学习评价机制，通过环境的回报值评价随机树上的每一个节点，将开阔区域和约束区域通过增强学习中奖励和惩罚的形式表示出来。实验表明，R-RRT算法在节点扩展效率上远远好于经典RRT算法，算法对复杂环境具有较好的适应性。（2）提出了一种混合策略的轮式移动机器人路径规划方法。结合多树RRT(MRRT)算法，将MRRT算法的快速探索能力和启发式搜索算法的最优性相结合，提高运动规划方法求解具有复杂环境和机器人动力学约束的路径规划问题时的求解效率和规划结果的次优性。建立了基于Pioneer3-AT移动机器人路径规划实验平台，实验表明，基于混合策略路径规划方法能够快速有效地解决复杂约束环境和狭窄通道下的机器人路径规划问题。