随着汽车起重机的不断发展,其在工程项目中的应用也越来越多。由于起重机在吊装时,需要人为的控制与决策吊装过程,所以会不可避免的出现操作失误或方案规划不合理等情况。针对以上问题,本文提出了多任务路径规划算法与吊装规划算法来辅助吊装人员进行吊装的作业。目前阶段汽车起重机在吊装时主要是人工操作,但在其他很多领域,已经开始使用深度强化学习来实现无人操作。作为大国重器,汽车起重机的吊装也正在向智能化方向发展,将其应用到汽车起重机的吊装规划中,对加快起重机智能化步伐具有重要的意义。在汽车起重机的路径规划上,传统的路径规划方法效率会更高;而对于起重机的动作序列规划,使用基于强化学习的方法,则更佳地贴合起重机的吊装动作序列规划。如强化学习中的深度确定性策略梯度算法（Deep Deterministic Policy Gradient Algorithm,DDPG）的输出是连续的动作,而起重机吊取目标物的过程也是一系列连续动作的合集,所以就有了理论的可行性。由此本文利用传统的路径规划算法和深度强化学习,开展如下工作:（1）本文对汽车起重机多任务路径规划算法的必要性和可行性进行了分析。在设计多任务路径规划算法时,需要规划多任务之间的遍历次序和路径,选择以优化算法对目标点的遍历次序进行规划,主要对蚁群算法、遗传算法和粒子群算法进行了分析,以性能最优的遗传算法作为优化算法。通过将单任务路径规划算法中JPS算法与遗传算法结合,实现了汽车起重机的多任务路径规划;（2）本文研究了汽车起重机在吊装时的动作序列,设计了以改进DDPG算法为基础的汽车起重机动作序列规划算法。首先对起重机的吊装环境进行了设计,建立了起重机的状态和动作模型,并对动作序列的奖励函数进行了设计。然后基于汽车起重机的吊装环境,对DDPG算法中的网络框架、超参数和激活函数进行了设计与优化,基于DDPG算法在离线训练时生成样本的特点,对DDPG算法中的采样函数进行了改进,使改进后的DDPG算法收敛效果更好。将改进后的DDPG算法分别与汽车起重机的空载吊装环境与带载吊装环境进行融合,完成了汽车起重机动作序列规划算法的设计;（3）本文将多任务路径规划算法与动作序列规划算法结合,实现了汽车起重机的多任务吊装规划。并以风机场与化工厂作为虚拟环境进行了验证,结果表明了两种算法在规划汽车起重机多任务吊装方案时的可行性。