无人机技术已经成为各国战略目标中的重中之重，由于其小型，便捷，低成本广泛地受到商业推广，在军事领域和民用领域应用及其广泛。无人机技术也正从单无人机向多无人机协同工作方向过渡，因此研究多无人机的协同控制也显得尤为重要。
　　目前针对于无人机的任务规划研究多集中在传统的A*算法，人工势场法，D*算法以及一些早期开始流行的智能算法，如蚁群算法，粒子群算法，遗传算法等。针对于单无人机问题，这些算法的运行时间可以接受。然而这些在多无人机协同工作的场景下，以上算法的运行时间会指数倍增加，在紧急情况很难满足时间上的要求。而针对这些不足，本文针对于不同的业务场景设计了基于强化学习的多无人机路径规划算法，并进行系统实现。
　　本文首先介绍了聚类相关基础知识，分析了无人机部署问题上各种方法的优劣，结合DBSCAN算法和k-means算法基于人口密度提出了一种无人机部署方法。其次阐述了强化学习的一些基本知识，再此基础上设计了单无人机单目标的路径规划算法，并且采用提前初始化Q值表和压缩状态空间两种方式对其进行优化使得运行效率显著调高。针对于单无人机执行多目标的情况设计了相关路径规划算法，分析了这种场景的缺点和不足。基于MADDPG算法，设计了多无人机多目标的路径规划算法，通过对奖励函数的设计使得无人机可以在不发生碰撞的前提下以最短距离到达目的地。仿真实验结果表明，该算法适合于不同环境下运行，不需要重复进行训练，相对于传统算法在执行效率上具有显著提升。最后在上述算法的基础上，结合nginx，java，mysql等技术设计网站，实现聚类算法和多无人机路径规划算法的线上执行。