水陆两栖平台结合了车与船的双重性能,既可像汽车一样在陆地上行驶穿梭,又可像船一样在水上泛水浮渡的特种车辆。由于其具备卓越的水陆通行性能,所以在军事、救灾救难、探测等专业领域已经大放异彩。迁移学习是一种新的机器学习范式,可以通过从外界获取先验知识来提高学习的效率。本文旨在使用迁移学习缓解强化学习在进行两栖平台运动控制时需要以不断试错的方式与环境交互而导致训练时间长、模型收敛慢的问题。所以本文使用迁移强化学习算法对两栖平台的轨迹控制进行研究,主要研究内容和工作如下:（1）首先对目前两栖平台的船体类型和驱动方式的优缺点进行分析与论述,然后确定了本文的水陆两栖平台为双体船,陆地采用履带驱动,水面使用螺旋桨推进。然后使用SOLIDWORKS软件设计了本文水陆两栖平台的虚拟样机,并在STAR-CCM+水动力性能软件中对设计的虚拟样机进行运行阻力分析。（2）由于两栖平台是一种具有多种工作环境的智能体,在不同环境下具有不同的运动数学模型,所以本文将两栖平台的运动控制任务分为陆上轨迹控制和水面轨迹控制。首先对陆地任务展开研究,通过使用Matlab中的强化学习工具包为其搭建仿真环境,并提出了一种从演示中学习的间接策略迁移算法,通过使用源任务的先验知识训练一个用于目标任务动作指导的专家网络,并且将专家网络用于评价网络的更新。该算法不仅可以使智能体在训练初期快速学习到有用的知识,而且可以避免在训练后期输出的动作被专家网络限制。（3）在水面控制任务中,引入了循环神经网络,使智能体不仅能够迁移源任务的知识,还可以根据自己训练过程中产生的历史先验知识对未来做出判断,从而使两栖平台在进行动态目标点跟踪时能够以更合理的动作序列去探索环境,减小训练初期的动作空间复杂度,从而避免网络训练的冷启动。