移动机器人是机器人研究领域的重要方面，如何在未知的非结构化环境里，寻找到一条从起始点到目标点的安全无碰撞的有效路径，属于移动机器人路径规划方面的一个重要问题。通过对以往路径规划算法的研究和分析，可以发现，静态环境下的移动机器人全局路径规划技术目前已比较成熟，但现实情况下，移动机器人更多应用于动态环境下的自主导航，所以进一步研究动态环境下的路径规划更为重要。由于机器人对周围环境的未知和不确定，自主导航实现过程中仍然存在很多问题。移动机器人未知环境下自主导航的关键问题即对周围环境信息掌握不足。假如机器人能够模拟人的思维，利用以往的经验或经历对当前局部环境做出推理判断，寻找出相似场景，并引用以往的解决方案来实现机器人自主避障，无论从时间还是距离上性能都会得到大大提升。本文首先对国内外学者研究的路径规划方法进行了总结，并在此基础上，提出一种新的路径规划方法——基于CBR经验混合的改进势场法，即利用过去的实际经验，从案例库中检索出与当前问题相类似的已解问题，并对解决方案进行修正学习，复用于当前环境，获得最佳路径，没有相似案例的情况下，则调用改进的势场法进行解决。CBR属于一种增量型、可持续的学习方法，不断地存储更新案例库，能够适用于不同场景下的不同问题。仿真结果表明，该算法不仅能够实现快速安全避障，同时提高了移动机器人在距离和时间上的性能。为了进一步验证算法的可行性，我们采用了开源机器人操作系统ROS（Robot OperatingSystem）作为软件平台，全向轮移动机器人作为实验机器人，对该改进算法性能进行验证、测试、分析与评价。本文使用Kinect作为视觉传感器，实时提取环境特征，并传递给计算机，通过2D映射、聚类分析算法DBSCAN和Canny算子边缘检测来获得移动机器人周围障碍物的几何信息，应用于路径规划算法中，获得适合于当前环境的最优路径，最终实现机器人自主避障。