无人机航迹规划是根据任务目标规划出满足约束条件的飞行轨迹，是无人机任务规划系统的关键组成部分。本文得到航空科学基金项目（2009ZC52041）资助，对无人机静态航迹规划、突发威胁下航迹规划、无人机多机协同航迹规划及航迹平滑等关键技术进行了研究。针对无人机航迹规划问题所需满足的约束条件，建立了无人机机动性能约束模型和威胁约束模型，其中前者包括最大航程、最大爬升角、最小转弯半径及最小步长；后者主要包括雷达、导弹、高炮、大气和地形等威胁模型。此外，考虑到无人机可以利用地形进行规避风险，因此将高度作为航迹综合代价之一。标准蚁群算法应用到无人机航迹规划问题中，状态转移策略仅根据信息素及启发因子按概率选择，存在盲目选择且难以快速找到目标节点的问题。本文在标准蚁群算法的状态转移策略中引入导引因子，并通过设定最大航迹节点数，解决了标准蚁群算法难以找到目标节点的问题。此外，在蚁群算法中引入随机蚂蚁子群，可以扩大搜索空间并增加解的多样性，使得算法可以获得更精确的解。仿真结果表明：改进的算法较原算法具有一定的优势。无人机实际飞行中如果存在突发威胁分布的情况，必须进行航迹重规划，以便规避威胁。为满足作战时效性，要求重规划所采用的算法必须具有实时、高效的特点。本文根据蜂群算法邻域搜索的特性，以参考航迹的突发威胁段作为引领蜂航迹，跟随蜂仅在参考航迹的突发威胁段进行邻域搜索，而不需要对整条航迹搜索，由此可以快速获得修正航迹段，并替换原突发威胁航迹段。整个飞行过程中，无人机根据获得的威胁信息，不断修正参考航迹，直至达到目标节点。仿真结果表明：该算法在局部航迹修正方面较蚁群算法有一定的优势。针对无人机协同航迹规划问题提出两级规划算法。该方法将协同航迹规划划分为航迹规划层和协同规划层。其中，航迹规划层首先设置满足每架无人机攻击角度的攻击节点集，然后采用智能优化算法得到各候选节点的相应的候选最优航迹集；协同规划层通过设计不同无人机的候选航迹之间的协同变量和协同函数，确定各候选综合协同代价最小的方案。最后，分别对协同会聚攻击及协同轮流攻击两种攻击策略进行仿真，结果表明：该方法可以获得全局最优备选航迹方案集，并能准确生成符合时空协同要求的航迹。无人机初始航迹规划仅考虑了部分无人机机动性能约束，所获得的航迹仅能满足战术运筹，难以满足飞行性能约束，因此必须进行航迹平滑。本文根据航迹平滑问题的参数分布不均匀的特点，为保证平滑后的航迹代价无显著变化，提出了基于三次非均匀B样条曲线插补的航迹平滑方法。仿真结果表明：采用本文算法平滑后的航迹转弯半径均大于无人机所允许的最小转弯半径，整体过渡自然，航向没有突变。该平滑航迹不但经过全部航迹节点，而且逼近原航迹曲线，因此航迹的综合代价较原航迹无显著变化。最后，针对无人机航迹各代价权重在起初往往取平均值或根据经验来确定，存在主观性较大的缺陷，本文充分考虑各指标之间的关系，引入离差最大化法和信息熵法来求解权重。此外，在多个方案进行优选决策时，进一步考虑各因素之间相互关联的系统特性，引入灰色关联分析理论，构建无人机航迹规划方案的优选模型。最后，将此优选模型用于实际航迹规划问题，从航迹方案集中挑选出综合性能最优的航迹，避免了传统凭经验选型的主观性和随机性。