La planificación de rutas es una de las partes más esenciales de la navegación autónoma. La mayoría de los trabajos existentes se basan en la estrategia de ajustar ángulos para la planificación. Sin embargo, los drones son susceptibles a colisiones en entornos con obstáculos distribuidos densamente y de alta velocidad, lo que representa una amenaza seria para la seguridad del vuelo. Para abordar este desafío, proponemos un nuevo método basado en Múltiples Estrategias para Evitar Obstáculos con Alta Velocidad y Alta Densidad (MSAO2H). En primer lugar, proponemos extender las decisiones de evasión de obstáculos de los drones a ajustes de ángulo, ajustes de velocidad y despeje de obstáculos. Se adopta un espacio de acción híbrido para modelar cada decisión. En segundo lugar, se construye el espacio de estado del entorno de obstáculos para proporcionar características efectivas para el aprendizaje de parámetros de decisión. La recompensa instantánea y la recompensa final están diseñadas para equilibrar la eficiencia de aprendizaje de los parámetros de decisión y la capacidad de explorar soluciones óptimas. Finalmente, introdujimos de manera innovadora el sistema de dinámica de fluidos interferométricos en la red neuronal profunda Q parametrizada para guiar el aprendizaje de los parámetros de ángulo. En comparación con otros algoritmos, el modelo propuesto tiene altas tasas de éxito y genera rutas planificadas de alta calidad. Puede cumplir con los requisitos para planificar de manera autónoma rutas de alta calidad en entornos de obstáculos dinámicos densos.