随着智能化信息处理技术的不断进步,车辆应用的领域越来越广泛,例如组装生产、运输和制造领域。在这当中,路径规划是其中的一项关键技术,目的在于如何实时生成车辆的行驶路径,在各种各样的动态的环境下规划路线,以获得最优路径。传统的路径规划算法通常假设环境是完全已知的,并试图搜索包含最佳路径的急转弯和一些折线。本文从实际项目需求出发,针对所研究的特殊交通环境,搭建满足场景特征的仿真平台。首先从理论上讨论了车辆路径规划的方法,在对目前多种路径生成规划方法的优势和劣势进行比较之后,选择了遗传算法来解决问题,同时针对复杂环境下的车辆路径规划问题,提出一种基于贝塞尔曲线的改进遗传算法(BOBCIGA)。其次,在路径生成中,引入贝塞尔曲线和分段路径生成算法,使得路径平稳光滑;在遗传算子的方案设计中,新增了平滑、插入、移除和优化算子来弥补基本算子的劣势,同时采用交叉和突变率的自调整策略对算法进行相应优化;为解决传统遗传算法容易出现局部最优解和耗时较长的问题,重新定义两种适应度匹配函数:针对可通行路径,引入了路径自身长度、平滑度、避障度、目标函数等影响因素;针对不可通行路径,引入了路径本身长度、车辆与障碍物碰撞深度、生成的路径中非常规线段比例等影响因素。最后在场景建模工具中设计了三种复杂程度不同的场景,进行仿真实验并对仿真结果进行数据分析,在平均路径长度上输出适应度值最高的路径作为当前最优路径,并设计路径可视化评价工具直观展示算法结果,讨论了不同的适应度参数对路径规划结果的影响。与其它算法的比较结果表明,在相同环境下,本文提出的BOBCIGA算法相对于传统SGA算法,平均搜索时间节约至少7%;平均路径长度减少至少15%;相对于A*算法,平均搜索时间节约至少10%;平均路径长度减少至少18%。在路径长度和平滑度方面,本文提出的BOBCIGA算法要优于两者。本文利用设计的场景建模工具搭建了多个用于算法研究的场景,对提出的算法分别进行了大量的仿真实验,均取得了较好的效果。通过本文的研究及实验结果表明,本文提出的BOBCIGA算法能够很好地解决复杂环境下车辆的路径规划问题。