随着智能移动机器人技术的飞速发展,越来越多的移动机器人成功应用到人类生产、生活和服务的各个领域。传统的导航方法在过去取得了极大的进展,但其仍存在一些明显缺陷,如在环境中选择具有代表性的特征表示需要大量的工程工作,特征计算及规划过程中计算复杂度大,在未知环境如森林探险、太空探索、灾难救援等应用场景无法提前获知确切的地图信息等等,这些都限制了传统方法的进一步应用。机器学习的发展为移动机器人的无图导航提供了可能性,本课题对基于机器学习的移动机器人导航算法进行研究。对传统导航算法和基于机器学习的导航算法进行详细分析,并对深度强化学习算法进行深入研究。利用ROS系统和Gazebo仿真平台搭建了移动机器人3D仿真系统,并基于该系统,运用两种最新的深度强化学习算法DDPG和TD3验证了深度强化学习算法在无图导航任务中的有效性。针对移动机器人无图导航问题,将模仿学习思想引入训练模型,提出了一种模仿-深度强化学习算法,并对算法的状态和动作空间、奖励函数、神经网络结构进行设计。在此算法中,模仿学习为强化学习提供良好的初始状态以减少样本复杂度,强化学习则减少了对于大量人工标记数据集的依赖,并提高了模仿学习的通用性。基于移动机器人导航3D仿真系统对模仿-深度强化学习算法进行了仿真训练并测试了其导航性能,仿真结果表明,该方法提升了纯深度强化学习算法的学习效率和收敛性能。最后,对经验回放机制和KL散度进行研究。将一种提升存放经验质量的方法,即近似最优化策略集成到模仿-深度强化学习算法框架中,提出了改进的模仿-深度强化学习算法。通过对基于3D仿真系统的实验结果分析发现,该方法能够进一步提高模仿-深度强化学习算法的学习效率、通用性和收敛性能。