近年来，移动机器人在仓储物流等领域迅猛发展，其相关技术也逐渐成为研究热点，其中移动机器人路径规划算法是导航技术的关键。并且随着机器学习在智能机器人方面取得了突破性进展，相关的机器学习算法在机器人领域的应用也在国内外掀起了研究的热潮。本文研究包括传统算法中的改进动态窗口算法(DynamicWindowApproach，DWA)，机器学习算法中的强化学习算法与深度强化学习算法在移动机器人导航与路径规划中的应用，具体研究内容如下：　　首先，本文针对传统DWA算法的问题，采用改进评价函数的方法，将全局路径作为DWA评价函数的参考轨迹，使其尽量按照A*等算法规划出的轨迹运动。同时，提出的方向评价函数，提高了机器人运动过程中方向的稳定性。提出的平滑速度评价函数与加速度评价函数，提高了机器人运动的平滑性与快速性。改进DWA算法被应用于实际移动机器人路径规划上，实验结果表明该算法能够优化机器人的运动路径，提高机器人运动的方向性、平滑性与快速性。　　其次，本文提出的基于强化学习的移动机器人路径规划算法，针对移动机器人路径规划问题设计了环境状态模型，充分利用激光雷达获取的障碍物信息与目标点所在位置将其离散化成智能体的状态，同时采用了连续的报酬函数，使得机器人采取的每个动作都能够获得相应的报酬值，评价动作产生的效果，有效的提高了算法的训练效率。将机器人置于Gazebo仿真环境中训练试错学习，仿真结果验证了基于强化学习路径规划算法的有效性。同时在实际机器人上进行导航实验，实验结果表明算法在实际环境中也能够完成导航任务。　　然后，针对强化学习算法收敛慢，状态不连续等问题，本文结合深度强化学习算法，运用神经网络拟合Q_table，将机器人前方120o范围内障碍物的分布情况与局部目标点所在方位作为状态输出网络，保证了状态的连续性。同时针对深度强化学习问题中训练样本池中有效样本过少，训练效率低等弊端，利用优先级的经验回放算法，有效提高了算法收敛稳定性，加速算法的学习效率。算法的有效性在Gazebo环境内的仿真与在实际环境中的实验得到了验证。　　最后，进行深度强化学习算法与强化学习算法的仿真对比实验，仿真结果说明深度强化学习算法对于复杂环境有更强的适应能力。三种算法的对比实验表明改进DWA算法与深度强化学习算法对于动态障碍物的适应能力更强，深度强化学习与强化学习算法在运算效率方面具备优势。