移动机器人是机器人领域的一个重要发展方向,广泛地应用于工业、农业、军事、教育等方面。而路径规划是移动机器人研究中的重要问题之一。本文主要应用神经网络技术,在已知和未知的静态环境下,对移动机器人进行路径规划。本文中移动机器人的路径规划,是在其工作空间中找到一条从起始点到目标点能避开所有障碍物且最短的路径。通过对路径规划技术的发展现状以及各种应用方法的分析,以及神经网络技术的研究,针对不同的静态环境,本文提出了相应的解决方案。针对未知环境下的移动机器人路径规划,提出了一种基于Elman网络的局部路径规划方法。利用Elman网络构造适用于路径规划的神经网络,传感器探测到的环境信息作为网络的输入,机器人的运动转角作为网络的输出。通过离线有教师监督学习,网络以较快的学习速率逐步达到稳定。最后,通过仿真实验验证了该方法的可行性。在静态确定环境中,依据简单的神经网络结构定义描述静态环境,计算出碰撞罚函数,并根据路径最短原则建立了路径与障碍物间的优化模型。利用模拟退火算法对其进行求解。针对经典模拟退火算法收敛速度慢这一缺陷,对该算法进行改进,提出了一种改进模拟退火算法,有效地提高了收敛速度,实现了移动机器人的全局路径规划。最后,提出了一种基于神经网络和遗传算法的路径规划算法。采用神经网络模型对机器人所处的环境进行描述,利用神经网络建立遗传算法的适应度函数,使用遗传算法优化路径;将需规划路径的二维编码简化成一维编码。进一步,将遗传算法和模拟退火算法相结合构成遗传模拟退火算法,代替前面的遗传算法,用于全局路径规划。仿真结果表明,遗传模拟退火算法比标准遗传算法能够更快地在工作环境里规划出一条最优的路径。