近年来,随着机器人学及其相关领域技术的不断发展,移动机器人作为其重要载体被广泛应用于快递物流、公共服务、宇宙探险、危险救援等行业。社会对于移动机器人的需求量在不断增大,对于移动机器人领域的技术研究具有重要的价值。其中,路径规划技术是实现移动机器人导航的关键技术,影响着移动机器人导航过程中的效率和安全性。本文针对传统的采样规划算法在复杂环境中存在的路径质量不稳定、收敛速度缓慢、难以获取初始路径解等问题,提出了两种基于RRT*的路径规划算法,并建立典型的规划环境对算法性能进行了验证和比较。首先,对采样路径规划算法RRT、RRT*以及RRT*-Smart进行了研究,针对其采样方式和节点拓展机制进行了深入分析,并基于MATLAB进行了实现。同时对各算法的性能进行了比较,对其优势和局限性进行了分析总结。然后,提出了一种基于区域合并的全局路径规划算法RMRRT*（Region Merging-based RRT*）。提出的区域分割策略和多目标偏置有界采样策略可以快速预留可行路径片段信息以加速初始路径解的搜索速度,提出的自适应优化采样策略和基于布朗运动的路径后处理策略来提高路径收敛速率和质量稳定性,采用基于三角不等式剪枝策略对路径进行平滑处理。复杂环境下的仿真实验表明RMRRT*的初始路径搜索时间低于经典RRT*和其改进算法RRT*-Smart算法50%以上,总规划时间缩短了28%以上,路径代价标准差远低于RRT*和RRT*-Smart,其收敛速率更高,路径质量稳定性更好。其次,提出了一种基于反向生长随机树的实时采样重规划算法DRT-RRT*（Dynamic Real-time RRT*）。算法采用基于三角不等式的剪枝策略来减少路径拐点数量,提出的组合采样策略和局部终点跳动策略将优化目标由全局路径聚焦于机器人当前位置至最近路径拐点的局部路径段,实时对执行路径段进行修正,进而提高路径质量的稳定性。在路径重规划时仅对受影响的随机树枝进行修剪,并在随机树重新生长时引入目标偏置采样策略,与组合采样策略共同作用,提高路径搜索速率和稳定程度。动态环境下的仿真结果表明DRT-RRT*算法的路径长度缩短了15.4%以上,其规划效率更高,路径质量更优,实时优化效果更好。最后,基于ROS（Robot Operating System）机器人操作系统的插件机制将上述两种算法封装为规划插件,并通过Gazebo仿真平台对RMRRT*算法和DRT-RRT*算法进行实验验证,实验结果表明本文的两种路径规划算法均可以完成规划任务且具备更好的规划性能。