随着无人机的硬件和软件技术不断发展,无人机在许多领域中得到了应用,并成为了国内外研究的热点。单个无人机具有一些局限性,而多个无人机组成集群可以完成更复杂的任务。多无人机协同问题的核心是多无人机通过有效的协同控制达到整体效能最优,使得多无人机系统在各种实际应用场景中展现出它特有的优势。本文利用优化理论和深度学习理论,对多无人机协同问题中的任务分配和航迹规划技术进行研究,主要工作由以下两个方面组成:（1）多无人机协同任务分配是多无人机协同完成复杂任务的重要应用,所有任务都以合理的方式分配给无人机集群,以最大限度地提高系统性能,充分发挥无人机集群的协同工作效率。本文使用扩展团队定向问题做为多无人机任务分配问题的模型,分析了三种基准算法的特点,即遗传算法、蚁群算法和粒子群算法。基准算法单纯的最大化多无人机系统获得的回报值,并不能充分地利用好系统资源,为了解决这个问题,本文基于遗传算法具有收敛速度快且易于拓展的优点,在遗传算法上进行了三处改进。首先,本文通过修改优化目标函数,减少了无人机飞行的总距离,以此来减少完成任务所需要的总能量。其次,为了尽可能让所有无人机都参与任务,以充分利用无人机资源,需要无人机系统的飞行路径尽可能均衡,本文提出了一种均衡度系数的计算方式,并通过改进遗传算法提高了无人机飞行路径的均衡度。最后,把模拟退火算法结合到遗传算法中,可以使遗传算法得到更优的解。（2）航迹规划/路径规划是多无人机协同问题的一个重要研究领域,它需要为无人机在各种环境和物理约束下,根据航路点生成非冲突路径。A*算法是一种广泛应用于无人机的路径规划算法,神经A*算法是一种新的基于数据驱动搜索的路径规划方法,主要由一个卷积编码器和一个A*搜索模块构成。本文使用神经A*作为无人机路径规划的算法,对编码器和搜索模块进行了深入研究,经过大量实验得到了三个可以改进算法的方法。首先,替换了多个主流的卷积神经网络作为编码器的特征提取网络,发现Res Net和DPN比原始的VGG效果更好。其次,替换了多个主流的语义分割模型做为编码器,发现Deep Lab V3比UNet有更好的效率。最后,通过实验发现A*搜索模块的权重变化对算法影响非常大,因此我们可以把权重做为超参数,使用验证集来得到最佳的权重值以此提高算法的性能。