微电子、计算机、集群技术的蓬勃发展,使得无人机（Unmanned aerial vehicle,UAV）的生产成本逐步降低,并且功能愈发强大。单架无人机可用于执行多个任务,但受限于其所搭载的武器弹药、侦测设备、最大航程、飞行速度等因素,导致其无法独立完成多个目标点的侦察和攻击任务。因此,无人机协同执行多任务问题越来越受到军事和民用专家及学者的关注,世界各国纷纷将集群作战作为未来执行任务的新样式并开展广泛研究,以提高无人机之间的信息交互、协同控制水平等。无人机协同执行多任务的核心问题是多任务规划,主要涵盖多任务分配和多任务航迹规划。由于无人机的广泛应用及相关技术的飞速进步,本文主要考虑任务环境已知条件下的无人机多任务分配及多任务航迹规划。本文针对无人机协同多任务规划问题进行以下几个方面的研究:（1）无人机多任务规划模型与算法综述。对现有无人机任务分配和航迹规划的发展现状进行总结归纳,阐明任务规划的优化原则和约束条件。此外,还重点对相关算法的基本思想及适用场景进行对比分析。（2）异构无人机多任务分配模型构建与算法研究。通过对任务需求进行分析,依据异构无人机多任务分配的关键要素,以任务执行净收益和任务能耗为目标,充分考虑子任务间的耦合性、异构无人机资源约束及无人机之间的协同约束,建立了一种贴合任务要求的分配模型;基于所建立的模型,对粒子群算法进行离散化改造以满足模型特性。在此基础上,提出了一种结合精英搜索策略的改进离散粒子群算法对模型进行求解。通过实验说明此算法在任务分配中能够取得更优的结果。（3）时间受限下的无人机多任务分配模型与算法研究。首先,根据侦察任务的实际需求,基于无人机性能参数和任务参数,综合考虑无人机的速度、路程代价、任务耗时等因素,建立有限时间下无人机协同多任务分配模型。其次,在遗传算法的基础上,重点设计了编码方式和多种遗传算子,形成多变异遗传算法。最后,为克服遗传算法早熟收敛的缺陷,丰富种群的多样性,将模拟退火算法与多变异遗传算法相结合,提出了模拟退火多变异遗传算法。仿真实验表明,与现有算法相比,所提出的算法在时间和性能上具有较大优势。（4）无人机多任务航迹规划模型与算法研究。首先,利用Maklink图对已知的环境信息进行模型构建。而后,提出了一种两阶段航迹规划方法。第一阶段采用Dijkstra算法进行模糊的航迹搜索。第二阶段中对浓度函数进行重新设计,将航迹长度和航迹平滑度考虑在内。在此基础上,采用多种群果蝇算法进行精细的航迹搜索。与果蝇算法相比,多种群果蝇算法通过划分多个子种群和改变搜索步长的思想,有效提高种群的多样性,从而取得更好的规划效果。最后,在不同环境中的仿真结果表明,与原始果蝇算法相比,所提出的改进算法在无人机多任务航迹规划方面能够得到更短、更加平滑的路线。