针对不平衡数据集的低分类准确性，提出基于改进合成少数类过采样技术（SMOTE）和AdaBoost算法相结合的不平衡数据分类算法（KSMOTE-AdaBoost）。首先，根据K近邻（KNN）的思想，提出噪声样本识别算法，通过样本的K个近邻中所包含的异类样本数目，对样本集中的噪声样本进行精确识别并予以滤除；其次，在过采样过程中基于聚类的思想将样本集划分为不同的子簇，根据子簇的簇心及其所包含的样本数目，在簇内样本与簇心之间进行新样本的合成操作。在样本合成过程中充分考虑类间和类内数据不平衡性，对样本及时修正以保证合成样本质量，平衡样本信息；最后，利用AdaBoost算法的优势，采用决策树作为基分类器，对平衡后的样本集进行训练，迭代多次直到满足终止条件，得到最终分类模型。选择G-mean、AUC作为评价指标，通过在6组KEEL数据集进行对比实验。实验结果表明，所提的过采样算法与经典的过采样算法SMOTE、自适应综合过采样技术（ADASYN）相比，G-means和AUC在4组中有3组最高；所提分类模型与现有的不平衡分类模型SMOTE-Boost，CUS-Boost，RUS-Boost相比，6组数据中：G-means均高于CUS-Boost和RUS-Boost，有3组低于SMOTE-Boost；AUC均高于SMOTE-Boost和RUS-Boost，有1组低于CUS-Boost。验证了所提的KSMOTE-AdaBoost具有更好的分类效果，且模型泛化性能更高。

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。