随着人工智能技术的又一次爆发性增长,智能机器人正从传统工业制造领域向日常生活的各个方面迅速扩展。如何设计性能更好、泛化能力更强的智能控制算法,已经成为学术界和工业界的热点问题。近年来基于深度学习、强化学习的智能控制算法已经成为解决该问题的一个重要研究方向。智能体路径规划是智能控制领域中的一个典型问题,旨在规划一条从起点到目标点的无碰撞路径,同时优化性能指标,使得成功移植到真实环境中进行实际应用。为此,本文以未知环境智能体路径规划为背景展开研究,提出一种基于辅助任务机制的深度强化学习奖励塑造方法和一种基于领域数据模式随机化的深度强化学习迁移方法,构建了一个基于深度迁移强化学习的局部路径规划原型系统,在此基础上,对本文研究成果进行了实验验证,本文的贡献主要包括三点:（1）针对强化学习路径规划任务中智能体探索环境存在的稀疏奖励问题,提出了一种基于辅助任务机制的深度强化学习奖励塑造方法。该方法设计三种辅助任务:循环路径检测,状态价值回放以及智能行为控制。循环路径检测可以有效提高智能体对未知环境的推理能力以及避免智能体重复路径出现;状态价值回放提高了算法对各个时刻智能体所处状态的状态价值估计能力,增强智能体对于后续状态的预测能力;智能行为控制则使智能体更容易从经验回放中总结经验,学习到具有更高奖励收益的动作策略,提高智能体选择效率。（2）针对模拟仿真与真实环境之间存在的领域差距问题以及智能体传感器失效等情况带来的数据长期/间歇性缺失的数据模式问题,提出一种基于领域数据模式随机化的深度强化学习迁移方法。该方法通过随机化数据联通的分布模式实现数据增强,同时通过在决策模型中引入基于循环神经网络的记忆机制,缓解由于数据模式变化带来的环境分布抖动,提高智能体在数据模式变化触发的部分可观察场景下的决策能力。（3）基于上述研究成果,设计并实现了一个基于深度迁移强化学习的局部路径规划原型系统,搭建实验环境并且构建实验场景,对本文研究成果进行了实验验证。结果表明,相比于现有方法,本文所提出的模型和算法在性能、鲁棒性等方面均有明显提升,并且具有一定可扩展性。