为了提高移动机器人在全区域覆盖路径规划中的性能，提出了基于神经元激励神经网络的路径规划算法。介绍了栅格法环境建模原理，使用此方法得到了机器人工作环境的矩阵模型；分析了生物激励神经网络算法，在神经元活性值定义、机器人跳出“死区”两个方面对算法提出了改进，提出了神经元激励神经网络算法。使用此算法对设定的工作环境进行遍历并与生物激励算法进行比较可以看出，在遍历重叠率、路径长度、转弯次数等方面，神经元激励算法都优于生物激励算法，充分说明了改进算法在机器人遍历规划中的优越性。

为了克服人工势场法的缺陷、提高其路径规划性能，提出了改进的人工势场法。分析了人工势场法原理，针对其目标不可达问题，将机器人与目标点距离引入到斥力场函数，得到了改进的斥力场函数；针对局部最小值问题，引入逃逸力；为进一步提高算法性能，使用遗传算法优化参数设置，使得规划路径更加平滑；根据环境复杂度，提出了自适应步长调节算法。使用仿真实验对改进算法进行了验证，结果表明，改进算法可以克服传统算法目标不可达、局部最小值问题，而且改进算法路径更加平滑，自适应步长算法在路径规划中行走61步到达目标，固定步长法行走145步到达目标，充分说明了改进算法的优越性。