针对传统A^*算法规划的路径存在很多冗余点和拐点的问题，提出了一种基于A^*算法改进的高效路径规划算法。首先，改进评价函数的具体计算方式，减小算法搜索每个区间的计算量，从而降低寻路时间，并改变生成路径；其次，在改进评价函数具体计算方式的基础上，改进评价函数的权重比例，减少生成路径中的冗余点和拐点；最后，改进路径生成策略，删除生成路径中的无用点，从而提高路径的平滑性；此外，考虑到机器人的实际宽度，改进后算法引入障碍物扩展策略保证规划路径的可行性。将改进A^*算法与三种算法进行仿真对比，实验结果表明，改进后的A^*算法规划的路径更加合理，寻路时间更短，平滑性更高。

针对深度卷积神经网络（CNN）中的过拟合问题，提出一种基于Dropout改进CNN的模型预测平均方法。首先，训练阶段在池化层引入Dropout，使得池化层单元值具有稀疏性；然后，在测试阶段将训练时池化层Dropout选择单元值的概率与池化区域各单元值所占概率相乘作为双重概率；最后，将提出的双重概率加权的模型平均方法应用于测试阶段，使得训练阶段池化层Dropout的稀疏效果能够更好地反映到测试阶段池化层上，从而使测试错误率达到与训练的较低错误率相近的结果。在给定大小的网络中所提方法在MNIST和CIFAR-10数据集上的测试错误率分别为0.31%和11.23%。实验结果表明：仅考虑池化层对结果的影响，所提方法与Prob.weighted pooling和Stochastic Pooling方法相比具有更低的错误率，表明池化层Dropout使得模型更具泛化性，并且池化单元值对于模型泛化具有一定帮助，能够更有效避免过拟合。

针对带启发式的快速扩展随机树（RRT-Connect）算法路径生成的随机性以及渐进最优的双向快速扩展随机树（B-RRT ^*）算法收敛速度的缓慢性，提出了一种基于B-RRT ^*改进的高效路径规划算法（EB-RRT ^*）。首先引入一种智能采样函数，使随机树的扩展更具方向性，从而减少寻路时间，并提高路径的平滑性；其次在B-RRT ^*算法的基础上，在EB-RRT ^*算法中加入了一种快速扩展策略，使改进后的算法在自由空间中使用RRT-Connect算法的扩展方式进行快速扩展，而在障碍物空间则使用改进的渐进最优的快速扩展随机树（RRT ^*）算法进行扩展，在提高扩展效率的同时避免算法陷入局部最优。将EB-RRT ^*算法分别与快速扩展随机树（RRT）、RRT-Connect、RRT ^*和B-RRT ^*算法进行仿真对比，仿真结果表明，改进后的算法在路径规划效率及路径平滑性方面均明显优于其他算法；且相对于B-RRT ^*算法，其在路径规划时间上降低了68.3%，在迭代次数上减少了48.6%。

针对移动机器人路径规划过程中基于快速探索随机树（RRT）算法难以对窄道进行采样的问题，提出一种专门用于狭窄通道路径规划的改进桥梁检测算法。首先对环境地图预处理并提取出障碍物边缘节点集合作为桥梁检测算法的采样空间，从而避免了大量无效采样点，并使窄道样本点分布更加合理化；其次改进了桥梁端点的构建过程，提高了桥梁检测算法的运算效率；最后使用一种轻微变异Connect算法快速扩展窄道样本点。对于实验中的窄道环境地图，与原始RRT-Connect算法相比较，所提改进算法的路径探索成功率由68%提高到92%。实验结果表明，该算法能够较好地完成窄道样本点采样并有效地提高路径规划效率。