路径规划是移动机器人技术中的一个关键环节，是机器人执行各类任务的基础，充分体现了机器人在运动过程中与周围环境交互的能力。目前静态已知环境下的移动机器人路径规划技术已经趋于成熟。随着科技的发展，移动机器人越来越广泛被用于探索人类未知世界，如外星球、海底探测，敌方侦察等方面。虽然目前这方面的路径规划方法和策略不断涌现，但由于环境未知性给予路径规划带来的困难，大多存在苛刻的前提和约束，或者只侧重于规划路径的“可行性”，很少顾及到规划路径“长度”或“时间”等指标的优化问题。所以目前进一步研究未知环境下的移动机器人路径规划具有重要的现实意义。 本文分别对未知静态环境和动态环境下的机器人路径规划进行研究和仿真实验。对于静态环境，在改进的BUG算法基础上提出机器人路径的实时规划-选择策略(Real-time Planning-Choosing strategy)，简称RPC算法。其中借鉴人类探索未知路径的思维模式设计了两级路径选择策略，提高了机器人绕过静态障碍的灵活性和对不同类型障碍环境的适应性。通过仿真实验证明，与之前的BUG算法相比，规划出的路径在可行性基础上体现优化性，提高路径规划效率。 对于无固定轨迹的运动障碍，本文根据运动类型分为规则运动和随机运动两类，对于前者采用AR模型(自回归模型)对障碍进行预测估计，同时将运动障碍看作瞬时静态障碍，采用本文提出的“以目标G和障碍位置为导向”的避开运动障碍方式，使机器人安全避开运动障碍，并且得到比较平滑的路径；对于随机运动的障碍，将障碍下一时刻可能到达的所有区域作为瞬时静态障碍处理，同时采用“目标导向法”使机器人避开运动障碍。 最后将以上设计的算法应用到动态环境中，通过仿真实验证实了本算法的正确性与可行性，以及在实际的机器人应用中的参考价值。