目前,移动机器人导航技术已经广泛应用于边境巡逻、反恐行动、安保物流等军用、民用领域。随着应用范围的扩大,机器人在未知环境下导航问题,已经成为机器人技术中最实用,最具有挑战的研究主题之一。由于应用场景常常难以预测,基于地图信息的传统导航方法很难推广到未知环境中。因此,使机器人在复杂未知环境中安全的探索环境,高效自主的确定目标位置,高鲁棒性的完成导航任务,是移动机器人得以广泛应用的关键点和难点。为此,本文以TurtleBot2移动机器人作为控制对象,深入研究了目标驱动的移动机器人自主导航问题,在深度强化学习框架下,提出了多智能体协同控制的运动目标导航算法---（Teamwork-Net）算法,实现了自然场景下移动机器人对动态目标的自主导航,提高了动态目标导航中深度强化学习算法的收敛性和可靠性。主要工作如下:（1）基于深度强化学习的移动机器人静态目标导航实验研究。在深度强化学习理论框架下,采用深度Q网络（DQN）,实现了原始图像到移动机器人最优动作的映射。在室内自然场景下,完成了多种挑战性情况下的移动机器人静态目标导航实验,包括导航过程中目标位置突变、环境突变、绑架机器人等,实验结果表明所设计的方法在无地图的情况下,可以使移动机器人系统仅通过视觉信息,完成从起始位置到静态目标物体的无碰撞自主导航运动。（2）针对运动目标导航问题,在深度强化学习框架下,提出了多智能体协同控制的运动目标导航算法---（Teamwork-Net）算法,包括多智能体协同逼近导航策略的网络结构和针对该网络的训练算法。首先,为简化导航网络所逼近的-策略,导航网络由两个智能体构成,分别控制导航机器人的运动速度与运动方向,两个智能体都将运动控制视为标准的强化学习问题,与环境进行交互,利用值函数法最大化奖励。随后,为提高算法的收敛性与训练效率,基于上述网络结构,结合分段式强化学习与对抗强化学习,提出了针对多智能体协同控制的训练方法。最后,为验证算法的有效性,在室内自然场景下,利用TurtleB ot2机器人完成了无地图情况下的多组移动机器人动态目标导航实验。实验结果表明,所提的Teamwork-Net算法在导航机器人未发现目标的情况下,能够利用视觉安全的避开障碍物并高效探索环境寻找目标。当目标出现在视野范围内时,导航机器人能够准确的识别目标物体、分析出目标的运动意图（运动方向、位置等）,并成功的导航到一个具有反跟踪能力的运动目标。（3）针对迁移过程中的现实鸿沟问题,本文对Teamwork-Net控制网络的特征提取结果进行了可视化处理,对比了模拟环境与现实环境的特征提取结果。对比结果表明,经过训练获得的Teamwork-Net网络模型能够直接应用在实际环境中。