随着世界人口总数的日益增长和经济总量的不断攀升,客运和货运的需求随之越来越大。海洋运输是连接海上经济的毛细血管,为了满足日益增长的运输需求,船舶数量也不可避免的随之增长,同样面积的海域需容纳更多船舶,这使得船舶碰撞事故更加频发。发生船舶碰撞事故会造成打乱航行计划、拥堵水域交通、危及海员生命、造成财产损失等严重负面影响。船舶的避碰路径规划系统可以提供安全可靠的航行路线作为参考,减少海员的驾驶负担和人为判断失误,也可用于规划无人船只的自主航行路径。近些年芯片技术的快速发展,使得计算机核心处理器的频率越来越高,这为船舶航行智能化提供了良好的工业基础,在这样的背景下,本文构建了一种结合静态全局路径规划和局部动态避碰的路径规划方法。首先,本文介绍了避碰路径规划技术对于船舶自主航行的重要性,对比了国内外路径规划技术研究的现状,分析了船舶发生碰撞有哪些阶段,进行避碰操作应该从哪些阶段入手。船舶上的助航系统可提供区域内的各方面数据作为避让信息来源,另一方面,从会遇态势、法律责任、环境限制三个层面分析了不同情况下船舶担负的避碰责任,总结了存在于船舶避碰的各方面约束。其次,针对静态全局环境碍航物状态变化较小,在完成规划后基本不需要调整的特性,将全局环境栅格化,标注静态碍航物为禁忌表,简化问题。而后介绍了蚁群算法的原理,分析了普通蚁群算法待优化的地方,由此引出传统蚁群算法衍生出的精英蚁群算法,在此基础上改进精英蚁群算法,使其在栅格化环境的路径规划问题中的寻优性能更加卓越,通过仿真实验验证静态全局路径规划方法的可行性。再次,传统会遇危险度估算方法准确率低,并易受人为因素影响,使用神经网络代替传统方法进行危险度的估算可提升准确率。由于传统BP神经网络无法处理有时序数据的局限,由此衍生出可处理有时序数据的RNN(Recurrent Neural Network)循环神经网络,但其梯度无法正常传递,完善后的LSTM(Long Short-Term Memory)长短期记忆网络可以处理有时序的会遇船只数据,使用多个时刻的会遇船只数据训练LSTM网络,根据预判后的数据预测危险度准确率更高。最后,将针对静态全局环境规划好的路径,以栅格为标准分割,重新建立坐标系,保留本段路径的起点和终点,将LSTM网络计算得出的会遇船只危险度用于粒子群算法的适应度函数中,使用这种方法对当前段路径重新规划,达到局部区域内对动态目标避碰的目的,使用软件搭建仿真程序验证这种方法的可行性。