近些年来,由于无人机技术的进步,各种各样的无人机将会满足当前和未来的无限需求,这就使得无人机的保有量呈几何式增长,导致无人机在飞行空域中遭遇冲突的可能性大大增加。为了确保其安全飞行,就必须给无人机配备一种机制来避免无人机的冲突碰撞,安全高效的完成飞行任务。冲突避险算法是无人机自主避障的核心,论文利用冲突避险算法在不同环境下对无人机避险问题进行了研究。主要工作内容如下:首先,对无人机自身约束条件和航路威胁进行整体概述,介绍了三种无人机冲突避险策略,对当前主流的无人机冲突避险算法进行归纳总结,确定本文所用方法。其次,对蚁群算法（Ant Colony Algorithm,ACO）做了介绍和拓展,针对蚁群算法收敛速度慢、易陷入局部最优和过早陷入停滞等缺点,通过改进启发式信息函数、信息素更新规则以及对状态转移概率进行自适应调整来克服上述缺点,提出了改进蚁群算法（Improve Ant Colony Algorithm,IACO）,并对改进算法进行有效性验证。将改进蚁群算法与优化的避险策略相结合,在二维平面上进行无人机冲突避险仿真验证,结果显示,改进蚁群算法能更好的解决二维无人机冲突避险问题。然后,根据无人机的真实飞行环境,设计了具有航路环境威胁的二维环境地图。为了防止无人机陷入路径死循环,在动态窗口算法（Dynamic Window Algorithm,DWA）中引入了二级安全距离。优化DWA航向评价函数,并根据动态和静态共存的场景调整评价函数的权重系数。针对速度较快的动态障碍物,改进了距离评价函数,引入避让优先级因子。提出了融合改进蚁群与动态窗口算法（Improve Dynamic Window Ant Colony Algorithm,IDWACO）。通过仿真验证,无人机既可以有效的避免冲突,又能够安全的避开航路环境威胁,并且能够规划出合理的航线。最后,以较为空旷的环境作为无人机的飞行背景,设计了三维空间模型。针对动态障碍物,通过引入相对速度势场函数改进人工势场法。通过改进节点搜索方式、设计综合启发函数以及考虑可行性点因素,提出了三维蚁群算法。将上述两种算法融合提出改进蚁群-人工势场算法,结合优化的三维冲突避险策略,进行无人机冲突避险仿真验证,结果表明,三维蚁群算法能在一定程度上地求解冲突避险问题,但是融合算法能更有效的进行无人机冲突避险,无人机避险航迹更平滑、合理,延误距离更小且符合最小安全距离要求。