随着计算机信息技术的迅猛发展，传统的汽车技术已经不足以满足人们对于汽车驾驶的需求，人们希望从汽车的运行过程中更多的解放出来。在这样的背景下，智能车技术的研究被提上了日程。而智能车路径规划技术又是智能车各个研究领域中最核心的环节之一。智能车路径规划是指在有障碍物的环境中依据某些优化准则，寻找一条从起始点到目标点之间安全无碰撞的最优或次优路径。本文在小车的运动环境中，障碍物环境信息己知的情况下，分别对人工势场法和蚁群算法进行了改进，并结合两者的优势将两者进行融合，应用本文改进后的算法，使小车在保证避障的同时，找到最优路径到达目的地。论文主要工作如下:
　　首先，针对人工势场法存在的障碍物附近目标不可达问题，本文建立了基于目标点位置信息的斥力场函数。传统的人工势场法在目标附近有障碍物的情况下，由于势场模型建立的不合理，使得在目标点位置处，目标的引力为零，而斥力却无法为零，导致在目标点附近徘徊，无法到达目标点。本文针对该问题，建立了基于目标点位置信息的斥力函数，使得在目标点处，小车受到的合力为零，可以到达目标点，有效地解决了障碍物附近目标不可达问题。通过仿真验证了算法的有效性。
　　其次，针对蚁群算法由于初期信息素匮乏而导致规划时间长、效率低的问题，本文给出了改进的蚁群算法。主要改进点有:
　　1.将势场力作为一个可变的启发因子加入到蚁群算法中。在算法规划的初期，势场力启发因素占主导地位，使得蚁群算法在初期较快的规划出可行路径。在后期，减弱势场力的启发信息，将主导地位交给蚁群算法，来对后期的路径进行优化。
　　2.在信息素更新规则上进行改进，给出了具有奖惩制度的信息素更新规则。蚁群算法的每次迭代后，对于较短的路径，给予较高的信息素奖励，较长的路径给予较少的信息素奖励，使得较短路径对后代具有较大的吸引力。同时，为了避免局部路径信息素浓度过大，而出现早熟现象，增加了最大最小蚁群系统。通过仿真验证了算法的有效性。
　　最后，对全文的工作进行了总结，并对未来的研究方向做出展望。