Con el rápido crecimiento de las demandas en la explotación de recursos marinos, el monitoreo ambiental y la seguridad marítima, las operaciones cooperativas basadas en Vehículos de Superficie No Tripulados (USVs) y Vehículos Aéreos No Tripulados (UAVs) han surgido como un paradigma prometedor para misiones oceánicas inteligentes. Los UAVs ofrecen flexibilidad y alta eficiencia de cobertura, pero sufren de una resistencia limitada debido a la capacidad restringida de la batería, lo que los hace inadecuados para tareas a gran escala por sí solos. En contraste, los USVs proporcionan una larga resistencia y pueden servir como naves nodrizas móviles y plataformas de suministro de energía, permitiendo que los UAVs despeguen, aterricen, se recarguen o reemplacen baterías. Por lo tanto, cómo lograr la planificación de rutas cooperativas y la programación de reabastecimiento de energía para sistemas USV-UAV en entornos marinos complejos sigue siendo un desafío crucial. Este estudio propone un método de planificación de rutas cooperativas USV-UAV y optimización de reabastecimiento de energía basado en el posicionamiento de alta precisión BeiDou. Primero, se establece un modelo de sistema unificado, incorporando la cobertura de tareas, las restricciones de energía y la programación de reabastecimiento, y formulando el problema como un modelo de optimización multiobjetivo con los objetivos de minimizar el tiempo total de la misión, el consumo de energía y el tiempo de espera, mientras se maximiza la tasa de finalización de tareas. En segundo lugar, se diseña un marco de optimización de dos niveles: la capa superior optimiza la trayectoria dinámica del USV y las posiciones de acoplamiento, mientras que la capa inferior optimiza la planificación de rutas del UAV y la programación de reemplazo de baterías. Se introduce un mecanismo de interacción en bucle cerrado, que permite al sistema ajustarse de manera adaptativa según el estado de ejecución de la tarea y el consumo de energía del UAV, evitando así fallos en las tareas causados por el agotamiento de la batería. Además, se propone un algoritmo híbrido mejorado que combina optimización genética y aprendizaje por refuerzo multiagente, con asignación de tareas adaptativa y programación de reabastecimiento basada en prioridades dinámicas. Se diseña una función de recompensa integral que integra la cobertura de tareas, el consumo de energía, el tiempo de espera y las penalizaciones por colisiones para mejorar la optimización global y la coordinación inteligente. Simulaciones extensas en escenarios marinos representativos demuestran que el método propuesto supera significativamente las estrategias de referencia. Específicamente, logra una tasa de finalización de tareas más alta, un tiempo de misión más corto, un menor consumo total de energía y un tiempo de espera más corto. Además, la varianza del consumo de energía entre los UAVs se reduce notablemente, lo que indica una distribución de carga de trabajo más equilibrada. Estos resultados confirman la efectividad y robustez del marco propuesto en misiones marítimas a gran escala y de larga duración, proporcionando valiosas ideas para futuras operaciones oceánicas inteligentes y sistemas no tripulados cooperativos.