目前,静脉穿刺注射和采血已经逐渐成为医学领域最为常用的医疗手段,但手动人工采血逐渐展现出易导致医护人员工作压力强度大、医患接触易造成病菌传播等问题。因此近些年关于自动采血的研究也在逐渐增多,而现大部分存在的医疗采血系统多为半自主式机器人系统,复杂度高、控制难度大,且采用的传统运动规划算法易存在成功率低、最优性差等问题。因此,本文设计了一套智能采血系统,并对其中自主设计的自动采血机构的运动规划内容进行重点分析,旨在通过深度强化学习（Deep Reinforcement Learning,DRL）的方法优化自动采血机构的运动规划过程,使自动采血机构能够在满足约束的情况下,以自学习得到的最优策略完成自主采血过程。本文的主要研究内容如下。在确定开发平台以及课题具体需求的基础下,搭建整体智能采血系统,将本课题所涉及到的硬件设备统一连接并实现运动过程中各硬件的转换统一;并基于ROS（Robot Operating System）和Gazebo搭建针对于自动采血机构的深度强化学习仿真环境,在仿真环境下高度模拟真实环境中自动采血机构的运动情况。选用深度强化学习中的DDPG（Deep Deterministic Policy Gradient）算法,来引导自动采血机构携带采血针完成自主入针过程。和本课题的实际需求相适配,对具体算法中神经网络结构的设计、奖励值函数设计、以及其它相关参数的调整通过实验做具体分析和比较,并评估最后仿真环境下训练完成后得到的最优策略。搭建自动采血机构实物硬件系统,辅以迁移学习的思路,将仿真环境下训练得到的最优策略迁移到实物环境上,优化自动采血机构在实物上的搭载效果,最后设计验证实验,观察并分析自动采血机构在深度强化学习算法引导下的运动规划过程及结果,证明了将深度强化学习算法应用在自动采血机构实物运动过程中的可行性与实时性,完成自主入针过程。