针对传统遗传算法收敛速度慢、容易陷入局部最优、规划路径不够平滑、代价高等问题，提出了一种基于改进遗传算法的无人机（UAV）路径规划方法，该算法对遗传算法的选择算子、交叉算子和变异算子进行改进，从而规划出平滑、可飞的路径。首先，建立适合UAV田间信息获取的环境模型，并考虑UAV的目标函数与约束条件以建立适合本场景的更为复杂、精确的数学模型；然后，提出了混合无重串选择算子、非对称映射交叉算子和启发式多次变异算子，寻找最优路径以及扩大种群搜索范围；最后，采用三次B样条曲线对规划出的路径进行平滑，得到平滑的飞行路径，并且减少了算法的计算时间。实验结果表明，与传统遗传算法相比，所提算法的代价值降低了68%，收敛迭代次数减少了67%；相较蚁群优化（ACO）算法，其代价值降低了55%，收敛迭代次数减少了58%。通过大量对比实验得出，当交叉率的值为（1/染色体长度）时，算法的收敛效果最好。在不同环境下进行算法性能测试，结果表明所提算法具有很好的环境适应性，适合于复杂环境下的路径规划。

针对传统边缘检测算法的定位精度低、对噪声敏感等缺点，提出基于函数曲线拟合的亚像素边缘检测算法——梯度方向高斯曲线拟合亚像素定位算法。该方法首先在边缘附近选取一系列点，求得这些点的灰度值，进而求得这些点的梯度值，然后运用高斯曲线来对这些点的梯度值进行拟合，最后通过拟合曲线求得高斯曲线的对称轴位置即为亚像素位置。实验表明该算法能够很好地实现亚像素定位，通过与其他两种亚像素定位算法的比较，得出该算法运行时间较短，效率较高。