目前我国民航存在空域利用率低、可开辟民航航路空域有限、交通流量大、飞行成本高等问题,当前的民航空域已无法容纳更多航线,规划临时航路可在一定程度上缓解此矛盾。中小机场空域宽松,航班较少,公务机等所需临时航路多,对航路规划时效性要求较高,可采用A*算法并对其改进,快速找到一条最优路径;而大型机场航班量大,公务机等临时航路申请频繁,航路申请历史数据保存完整,且A*算法需人为设定约束条件,准确表述复杂飞行状态困难,可采用深度强化学习方法。将传统航路搜索方法A*算法和机器学习规划方法DDQN算法应用于不同的机场场景,更好地实现航路规划。传统路径搜索方法是利用A*算法得到从起始点到目标点躲避障碍的路径。但其在航路规划中存在计算量大、遍历节点多、路径拐点多等问题。因此本文提出改进A*算法的路径规划方法,用“顶点-顶点”替代“栅格-栅格”表示航路,设定空中受限区、地面障碍物、最大转弯角等约束条件,在长度较短的前提下获得更优路径。对比曼哈顿距离和对角线距离,选择启发式函数,得到更符合航空器飞行的最优航路。基于DDQN算法的路径搜索算法是通过与环境不断交互获取即时奖励,不断更新神经网络中的网络权重和Q值,选取最优动作形成最优路径。但DDQN算法仍存在对状态-动作值的过估计问题,故提出改进优化目标的DDQN算法。选用SARSA算法选取动作的ε-greedy策略替代Q-learning算法的贪婪策略;通过最优路径长度、路径拐点数、训练中障碍物碰撞次数和平均奖赏值等指标,对比不同动作集的路径搜索优劣;设定奖励函数,降低误差,得到最优策略以获取最优路径。实验结果表明,改进A*算法结合该空域及飞行状态设定约束条件,可规划处于简单空域环境下的临时航路;改进DDQN算法基于大量完整数据,可规划处于复杂空域环境下的临时航路。两种改进算法应用于不同场景,均可以有效地提高临时航路的安全性及空域利用率。