在人工智能领域，不确定的动态环境下的重搜索问题的求解空间、时间复杂度都是比较大的，如何改进算法以提高重搜索效率就成为研究者们一直关注的问题。在近两年研究成果基础上，本文对如何把启发方法(A*算法)、基于OBDD的搜索技术和渐进搜索(incrementalsearch)结合在一起，从而改进重搜索算法这一问题进行了研究。本文提出了一个在动态环境下的搜索算法BDDRPA*，它的优点是可以应用到动态的持续变化的领域中，例如持续规划问题、移动的机器人问题等。这些问题的特点是系统的状态随时间不断发生改变，因此，初始的规划会变得不太合适甚至不能再使用。一般的处理方法是对新的状态的全局进行重新搜索，从而得到新的规划来执行。但是，我们发现在较多的问题中，这些改变是局部的，对于整个系统来说都往往是比较小的。这样，由于搜索状态的改变只是一小部分，那么再进行一次彻底的搜索就显得不必要，因为我们可以利用上很多原先的搜索记录，这样可以减少我们的搜索空间和时间，这就是渐进搜索的基本思想。而BDDRPA*算法就是综合了渐进搜索和基于OBDD的启发式搜索方法而提出的。本文首先简要地介绍了经典的搜索算法(比如A*，宽度优先搜索算法等)，和基于OBDD的搜索算法BDDA*和SetA*；接着详细介绍了我们提出的Pre-BDDRPA*算法以及在它基础上做了改进后的正式的BDDRPA*算法，我们给出了该算法的C++伪代码并对其做了一些详细的分析；然后通过实验将BDDRPA*和BDDA*算法、LPA*算法、A*算法以及BFS宽度优先等重搜索算法进行比较，实验结果证明，BDDRPA*算法确实能提高了重搜索的效率；最后，我们探讨了BDDRPA*在自动规划、机器学习和自动控制三个领域上的应用前景。