随着无人技术和机器人技术的发展,作为自动化设备工作过程中重要环节的路径规划技术也变得越发关键。与通常的机器人路径规划不同,由于海况、天气等环境因素的影响,外加无人艇在水面上无法进行精确控制的限制,水面无人艇路径规划需要考虑设备能否在此类环境下安全行驶等问题,根据不同任务采用不同算法策略,以保证任务能够得到安全有效的完成。在实际场景中,水面目标的分布信息通常是未知的,需要通过观测任务采集水面数据以获取区域内目标点的分布信息;而在已知分布信息后,需要指派若干无人艇对目标进行区域监测,以达到不断更新目标数据的目的。因此,本文针对水面无人艇路径规划问题,从观测任务和区域监测任务两方面进行规划策略上的研究。在观测任务中,为了保证目标点不被遗漏,同时避免无人艇进入目标点的不安全区,本文采用全局预规划与局部重规划的两阶段规划策略,实现无人艇对目标点的观测。通过全局预规划,保证无人艇所携带传感器对任务区域的完全覆盖;通过局部重规划,保证无人艇对目标点近距离观测过程中的安全性,防止无人艇进入目标点的不安全区。由于局部重规划对路路径的修改会导致预规划阶段形成的覆盖遭到破坏,本文在整个路径规划过程中使用分区策略,保证重规划后的路径仍然可以对任务区域形成完全覆盖。通过分析与实验验证该方法可以有效探测到任务区域内的所有目标点,达到完全观测的目的。在区域监测任务中,考虑到水面无人艇成本问题,本文在限制传感器数量的情况下为每个目标点分配时间惩罚因子,提出最小惩罚扫描覆盖问题,并提出了均分策略、分支定界算法策略和基于贪心策略的解决方案。由于分支定界策略时间复杂度较高,不适用于大规模目标点的情况,本文分别设置了不同规模的实验,对分支定界算法、贪心算法以及最基本的均分策略进行对比。通过复杂性分析,可以证明贪心算法的时间复杂度为O(|V|2),分支定界算法最好情况时间复杂度为O(|V|2),最坏情况时间复杂度为O(|V|·2|V|-m);在实验中,贪心算法的惩罚值仅比分支定界算法的惩罚值多3.26%,且在小规模数据和大规模数据上均优于均分策略。