随着人工智能技术的发展,智能小车逐渐代替人工进入到社会生产与生活中来。而路径规划是智能小车能够自主移动并完成给定任务的关键技术之一。路径规划是指,智能小车可以在地图中规划出一条连接起始点与目标点的无障碍路径。目前,越来越多的学者与机构参与到了对路径规划的研究中来。在路径规划问题中,有一类含有狭窄通道的场景,对于智能小车的规划与移动有着较高的要求。本文首先分析了两种常用的全局路径规划算法,地图搜索算法与概率采样算法。分别介绍了A*算法与RRT类算法的步骤与算法特性,并针对含有狭窄通道的场景对A*算法与RRT-Connect算法进行了测试。结果表明,A*算法该场景下能够稳定的找到一条无障碍路径但是搜索效率较差,而RRT-Connect算法能够快速找到可行路径但是算法稳定性较差。为了解决A*算法与RRT-Connect算法在该场景下无法兼顾高效性与稳定性的问题,本文提出了一种基于A*与RRT-Connect的混合全局路径规划算法,混合A*-RRT算法。首先使用图像处理的方式对地图进行处理,在经由图像处理后可以得到经过狭窄通道的最小连通域,将该连通域并入地图中。然后基于A*算法与RRT-Connect算法各自的特性,将两种算法进行混合,使用高效率的采样类算法快速定位到连通域两端,找出连通域的两端后利用A*算法在狭窄通道中寻迹并连接两端,形成最终的路线。该方法在测试中效果要优于其他方案,兼具了A*算法的稳定性与RRT-Connect算法的高效性。接着我们将这种混合算法进行了改进,添加对于地图场景的判断,优化随机树的扩展条件等,使其能够适应一般化的场景。接着本文对局部路径规划算法进行了分析。局部路径规划算法中使用较广泛的是动态窗口法（DWA）。本文分析了动态窗口法的步骤,并对动态窗口法中的采样方式,局部目标点选取,代价函数等环节进行了分析与改进,并与改进前的算法进行了对比测试,结果表明,改进后的算法要优于原有的算法。最后我们组装了一台能够自主移动的智能小车用于路径规划算法的测试。介绍了它的硬件组成以及ROS软件系统。我们对于ROS的系统特性进行了说明,重点介绍了ROS系统中的Gazebo模块与move＿base节点。本文分别在模拟场景与实际场景中进行了算法的测试。在Gazebo模块中我们模拟了一台智能小车,并构建了含有狭窄通道的运动场景,在该场景中对小车的运动规划与移动进行了测试,将原有算法与改进后的算法进行了对比。在实际的场景中,我们选取了路况比较复杂的实验室场景,在实验室场景中对小车进行路径规划的运动测试,测试结果证明无论是在模拟场景中还是在实际场景中,修改后的算法都使得小车能够更加平滑稳定的运动,基本满足预期要求。