近些年来，随着我国经济与社会的快速发展，城市交通面临的压力日益增大，路径导航在缓解城市交通拥塞方面发挥着重要作用，对此国内外已有许多研究。其中，包含有交叉口延时等各种交通要素的路网模型在路径导航中常能给出贴近现实的解决方案。但是单一的优化路径推荐很容易使交通陷入“二次拥塞”，而多路径推荐也难以在交通网络未饱和的状态下避免此类问题，这是因为目前绝大部分多路径方案的算法并不能推荐出区分度较高的路径。基于以上问题，本文研究了更贴近实际交通状况的实时路网模型及如何避免交通陷入二次拥塞的问题。论文主要的研究工作如下：①根据城市交通实际路况瞬息万变的特点，提出了一种简化的实时路网模型，并基于该模型设计了一种实时动态导航算法——RTNA。新模型易于采集实时数据，并考虑了转弯延时等多种路况因素对车辆运行时间的影响。而RTNA算法能够在车辆运行过程中根据实时数据进行动态导航，给出当前交通状态下更合理的“优化路径”。②针对城市交通中因大量同向车辆过度使用导航系统而使交通陷入“二次拥塞”的问题开展研究。首先，针对目前已有的多路径推荐算法不能推荐有较大区分度路径的问题，本论文提出了基于简化实时路网模型的MI-Genetic算法，该算法利用差异度函数作为约束条件，能够推荐区分度较高的k条路径。同时，本文还提出了一种实时导航算法—ATRN，它能指导同向车辆在行驶过程中实现多级分流，有效地避免因导航系统引起的二次拥塞。③对本论文提出的算法的正确性和有效性进行了实验验证。实验表明，1）RTNA算法能够在车辆运行过程中根据实时交通信息动态调整路径推荐结果，它比当前已有的分时段简化动态路网模型下的导航算法有更明显的实时性；2）ATRN算法能够实时地为用户推荐多条区分度较高的路径和实现多级分流。本文提出的导航算法能够更好地满足城市中路径导航的实际需求，起着缓解城市交通拥塞的作用，对相关领域的研究有一定的学术和应用参考价值。