自动导引车（Automated Guided Vehicle,AGV）是一种用于仓储自动化的搬运装备,伴随着物流行业的自动化发展,它的需求量日益增大。AGV是一种可移动机器人,可以代替人力进行智能化货物搬运,提升作业效率,并且兼备安全、可靠、灵活的优点,因此得到广泛应用。本文主要研究了AGV全局路径规划的改进A*算法、局部路径规划的基于强化学习的增强蚁群算法、未知环境路径规划的改进Q-learning算法。本文的主要工作内容包括以下几个方面:1.研究了拓扑地图法、可视地图法、栅格地图法和自由空间法等地图环境建模方法并探讨了各自的优缺点,综合分析后确定采用栅格地图法;探讨了A*算法、蚁群算法、强化学习算法等三种常见的AGV路径规划算法的基本原理。2.针对AGV全局路径规划,提出基于代价函数调整和双向路径寻优的A*算法。通过代价函数调整机制和双向路径探索机制对传统的A*算法进行改进,仿真实验结果表明改进的A*算法比传统的A*算法在相同地图环境下地图搜索范围更小,路径长度更短,算法运行速度更快。3.针对AGV局部路径规划,提出了基于强化学习混合增强蚁群算法。针对传统蚁群算法效率低下的缺陷,提出将置信上界（Upper Confidence Bound,UCB）算法中的UCB值和Q值更新策略引入蚁群算法、改善启发函数、改进障碍节点惩罚原则以及综合局部最佳路径的路线搜索方法,与传统的蚁群算法进行仿真实验对比,结果表明基于强化学习混合增强蚁群算法在局部路径规划中可以规划出最短路线并且最短路线的搜寻效率得到提升。4.针对AGV未知环境路径规划,在搭建了卷积神经网络结构的基础上,提出一种以深度Q网络（Deep Q-Networks,DQN）为基础的基于卷积网络DQN算法。通过设计仿真实验与传统的Q-learning算法进行对比,验证了基于卷积网络DQN算法的可行性,并且算法的收敛速度更快。