车辆在复杂多变的路况行驶中,人类驾驶员难以时刻保持稳定安全的驾驶状态,使得交通事故的发生频率很高。无人驾驶技术是降低交通事故发生概率的有效途径,也是构建智能化交通的必经之路。无人驾驶技术发展至今,始终难以普及的关键原因是自主车辆未能实现安全稳定的驾驶决策,因此决策控制问题作为无人驾驶技术研究的重点与难点,有着很大的研究价值和应用前景。本文将深度强化学习算法应用于无人驾驶决策问题,旨在实现全感知状态下的自主车辆在复杂交通环境下可以安全稳定的对目标车辆进行超车。本文围绕深度强化学习算法应用于无人驾驶超车决策时的若干问题展开了以下研究。（1）针对OpenAI Gym库中缺乏交通仿真环境,正版仿真软件价格昂贵,硬件兼容性差等问题,本文以Gym库中的经典实验环境为学习模板,结合强化学习算法与环境交互信息的原理,自主设计出全感知交通仿真环境的搭建流程方案与相关功能函数。在算法的交互性测试实验中证明自主搭建的全感知交通仿真环境可以成功与强化学习算法进行交互,并采用基于固定值奖励函数的深度Q学习网络算法成功实现在简单环境下的超车。本文提出的仿真环境搭建方案对于无人驾驶的研究方式有着一定的参考价值。（2）针对基于固定值奖励函数的强化学习算法在面对考虑转向角的复杂交通环境下的超车问题时收敛性差、适应性弱等问题,本文从强化学习算法的学习机理角度出发,根据算法的优先级将状态决策模块化构建出自适应评估系统,并引入效率性、舒适性等因素模型,设计出多目标MDP自适应奖励函数。实验结果表明,采用多目标MDP自适应奖励函数的深度Q学习网络算法在复杂交通环境下可以使自主车辆高效、稳定的对目标车辆实现超车。该奖励函数的设计方法为强化学习的奖励函数设计提供了一个值得参考的设计方向。（3）在面对复杂环境下的多车工况,深度强化学习算法仅依靠基于奖励函数的策略评估系统难以保证自主车辆平稳安全的超车行驶。首先分析并构建超车过程中的安全车距模型,将安全车距模型解构为横向安全车距模型与纵向安全车距。随后提出了“空间降维抢断式自适应学习过程（SDPL）方法”。该方法与深度强化学习算法结合后,融合安全车距模型与舒适度模型,通过改变动作选择方式从而压缩了动作空间的维度,改进了强化学习的算法框架与决策系统。实验结果表明SDPL方法与深度Q学习网络算法结合后优化了算法的学习过程,有效提高了算法的各项性能。基于SDPL-DQN方法的自主车辆可以实现更加精确、稳定、安全的超车决策。SDPL方法与深度强化学习的融合不仅充分挖掘了强化学习算法的潜能,还提供一种新的强化学习算法的研究思路,对无人驾驶决策的设计方法研究具有一定的指导意义和现实参考价值。