自十九世纪六七十年代以来,随着计算机技术、控制理论、传感器技术、计算机网络技术和人工智能等众多交叉学科的发展成熟,移动机器人得到快速发展,在工业生产中被广泛应用于完成繁重且难度高的任务。为适应实际工作环境且保证高效完成任务,其导航,动态避障,路径规划等方面的功能需要不断进行优化。移动机器人的运动环境较为复杂多变,这也使路径规划成为移动机器人运动问题的研究重点。相较于传统算法,智能仿生学算法具有灵活性强且计算效率高的优点,克服了传统算法固有的不稳定性且计算效率过低的缺点,因此本文以遗传算法和神经网络两种智能仿生学算法为基础对路径规划展开研究。为在路径规划过程中得到一条适用于实际情况的最优路径,并克服遗传算法自身固有的易收敛于局部最优解和复杂度较高的缺点,本文首先提出一种基于Q-IGA（Q-standard Improved Genetic Algorithm）动态搜索贝塞尔曲线控制点的路径规划算法。该算法摒弃利用贝塞尔曲线直接拟合最优路径的静态方式,使路径搜索与控制点搜索两个过程同时进行;并且在选择算子中添加一个判断准则,利用Q值检验法剔除相似度较高的解决方案,增强种群的多样性;与此同时,优化适应度函数,加入机器人体积及转弯角度带来的代价,使选择出的路径是一条距离较短且与障碍物保持安全距离的合理路径。仿真结果表明,本算法比改进人工势场法和混合遗传算法得到的路径更为合理,可降低机器人耗能,减少搜索时间,更适于实际的工业应用。此外,相较于Djkstra算法,A*算法凭借启发函数的引入使其搜索过程具有方向性引导。常用的启发函数计算方法在障碍物遮挡的环境下无法准确估计前进距离,使搜索效率降低。因此,本文提出一种利用模糊神经网络优化启发函数的方法,首先利用粒子群算法优化模糊神经网络参数,然后用训练好的模糊神经网络对当前环境中的障碍物信息进行处理,预测最优路径中当前节点到目标点的代价值。最后将其加入A*算法的代价函数中完成路径搜索。该方法可在一定范围内评估障碍物对路径的影响,从而确定较为准确的搜索方向,克服了经典启发函数在障碍物较多且较为复杂时预测值不准确的问题。仿真结果表明,相较于Dijkstra算法和贪心算法,本算法极大的减少了搜索过程中遍历节点的数量,提高了算法的效率,使路径搜索过程方向性更加明确。