机器人路径规划和导航是机器人技术中的一个重要基础问题，已取得了很多研究成果并逐渐向智能规划方向发展。但这些成果普遍存在一些不足：许多智能算法的寻优过程易陷入局部最优，收敛速度慢，难以满足规划任务的实时性要求：算法的环境适应能力不强，不能很好的对随机动态障碍物进行安全避障等。多机器人对移动目标的协作围捕研究也是机器人导航问题中的一个研究热点，现有算法对移动目标轨迹的预测方法计算过程复杂，难以满足围捕任务的实时性要求。机器人编队围捕的方法则在复杂障碍物环境下会失效。在这一领域存在的更重要的问题是：上述研究大多是基于仿真实验平台，障碍、环境、某些算法参数都是通过预先设定，而真实环境下的机器人导航涉及机器人控制、障碍物探测、传感器数据处理和误差修正等一些实际问题，理论算法到实际应用还有很大差距。　　针对上述问题，研究了基于智能计算的机器人路径规划和导航中的几类关键问题，并在真实环境下进行了导航实验。首先，在复杂障碍物环境下，提出了一种基于新蚂蚁算法的路径规划算法，该算法具有较强的环境适应能力和实时性，性能优于现存算法；其次，在已知静态环境下，基于Pareto Optimality理论提出了基于多目标优化的路径规划算法，获得一组在各优化目标上均达到全局折衷最优的路径集合；接着，对移动目标的围捕问题，提出了基于最小二乘预测的多机器人协作围捕算法，该算法通过动态采样，用最小二乘拟合并预测移动目标轨迹，针对围捕过程中智能目标逃逸现象，提出了安全域概念，并采用协商法为各围捕机器人分配合适的期望围捕点，最终实现拦截式围捕；最后，重点研究了在真实机器人上的实用算法和技术：分别设计了基于激光传感器的行为-反应式的实时避障导航算法和基于慎思型的全局滚动导航算法，设计了机器人对动态障碍物的避障策略，研究了真实机器人的运动控制方法、传感器数据处理以及环境模型的建立等一系列实用技术，并将提出的新蚂蚁算法应用到真实实验中，在真实机器人上试用，验证了算法和技术的实用性。