车货匹配平台的出现,缓解了公路货运中信息不对称的问题,提高了公路货运效率和行业组织水平。但是,整体而言我国的车货匹配平台尚处于起步阶段,在实际运作中仍然有很多问题尚未解决。同时深度学习作为一种人工智能技术已经在各行各业的智慧化建设中发挥着重要作用。目前,国内外学者对车货匹配问题的研究相对较少,还没有学者研究深度学习在车货匹配中的应用。因此,本文研究基于深度学习的车货匹配问题,具有重大意义,研究内容如下。首先,梳理现阶段国内外学者在车货匹配和深度学习两大领域的研究;系统性地分析车货匹配问题的定义、类型和数据特征,介绍深度学习的概念定义、发展历程以及深度强化学习理论;在此基础上分析深度学习算法在车货匹配问题中的两种应用方法。其次,聚焦长途型的“一对多”车货匹配问题,剖析该场景的匹配决策过程,发现其中存在的马尔科夫性质,据此提出一种车货匹配问题的半马尔科夫过程,并从状态、动作、奖励、决策和决策选择等方面对该过程进行详细定义;以多层感知器为Q网络结构,融合Re LU激活函数和Adam算法,设计一种深度Q网络算法来模拟并优化该半马尔科夫过程;运用Python语言,采用Py Torch框架在Pycharm中实现设计的车货匹配问题深度Q网络算法。最后,以中国物通网成都到北京的车货源数据为基础数据,对深度Q网络算法进行训练,并对比遗传算法,验证该方法的有效性。