农机自动导航与自主避障作为农业机械自动化领域的分支,对提高农业生产效率,节省劳动力成本以及推动农业智能管理具有重要意义。然而,现阶段的农机自主导航系统尚且存在许多局限,作业时无法对动态环境做出响应。本文在现有的基于预定义路径的导航系统基础上,开展田间智能农机自主避障控制方法研究,并在田间进行验证实验。主要研究内容及研究成果如下:（1）构建了农用无人作业平台。该作业平台包括卫星定位系统、视觉感知系统、决策控制系统以及运动执行机构四个子系统,其中卫星定位系统与视觉感知系统能够实现农机与环境的多源信息感知,决策控制系统中的上位机实时获取车身位置、车身航向、障碍物位置等信息,经由运动决策模型向下位机发送运动控制指令,下位机按照期望的控制指令控制运动执行机构,使其完成期望的行驶要求。该农用无人作业平台的开发为导航以及避障控制算法研究的开展,提供了平台保障。（2）开发了基于融合导航的转向控制子系统及方法。根据视觉感知系统采集的作物行图像,提出了一种导航线提取方法,并设计了PID控制器计算转向控制量。同时,根据农田种植特点规划期望作业路径,根据卫星定位系统获取的位置信息与航向信息,基于纯追踪算法计算转向控制量。最后,基于线性融合模型将两种方法计算所得的转向控制量融合成最终的转向控制量。此外,针对复杂水田环境,还提出了一种基于三分类大津法以及多维聚类算法的强干扰环境下的水田作物行识别方法,并对其可行性进行了探究。测试结果显示平均姿态误差能保持在0.02°以内,平均距离误差能保持在10像素以内。该方法为复杂水田环境下基于视觉的可靠导航提供了数据支撑。（3）开发了基于强化学习的自主避障控制子系统。利用YOLOv4算法对田间劳动者、畜力等移动障碍物进行识别,并在视觉感知系统获取的点云信息中提取障碍物的空间位置信息。基于障碍物连续时空变化,实现了障碍物运动状态判别。验证实验结果显示该障碍物检测系统能够在10m视场范围内提供误差在0.11m内的定位精度。此外,系统归纳了移动障碍物与智能农机的不同会遇态势,并构建了基于Double DQN框架的强化学习模型,确定了模型的状态空间、动作空间以及奖惩函数。基于Mu Jo Co物理引擎构建了仿真环境,模拟障碍物的不同会遇状态,分别对应开展避障模型训练与测试。测试结果表明构建的避障模型在仿真环境中不同会遇态势下的避障成功率分别为97%,96%,98%,回报率分别为12.57,12.06,12.34,证明模型已经具备较好的稳定性和较优的避障控制策略。（4）开展了田间自动导航与自主避障的验证实验。自动导航实验结果显示平均航向偏差为4.7°,平均横向偏差为8.65cm,基于融合导航的转向控制子系统可以满足大多数田间作业的需求。自主避障实验结果表明基于Double DQN强化学习的避障控制子系统在面对交叉会遇、小角度会遇以及大角度会遇这三种不同会遇态势时,均能稳定地完成避障且平均避障轨迹长度、平均最短避障距离以及平均避障时间分别为0.9m,2.58m以及6.1s,相比传统方案具备空间与时间利用上的优势。田间实验验证了本文所设计的转向控制子系统与避障控制子系统的可行性和有效性,为现有的农机自动导航系统提供了可靠的改进参考。