智能驾驶是互联网浪潮下汽车行业变革的重大机遇,同样也是从互联网时代转型到人工智能时代过程中不可或缺的一环,其中,车辆的驾驶策略是智能驾驶的核心。目前,基于深度强化学习生成车辆驾驶策略存在着样本数据获取成本大以及训练效率低的问题。针对上述问题,本文对如何使用车辆运动仿真方法生成高质量驾驶经验数据的问题进行了研究,除此之外,还研究了如何基于该驾驶经验数据,提升深度强化学习生成车辆驾驶策略时的训练效率。本文所做的主要工作内容如下:（1）针对数据获取难度大、成本高的问题,提出了一种在虚拟环境中充分利用场景中的结构化信息以及运动约束进行车辆运动仿真的方法。在仿真过程中,基于横向曲率以及纵向运动的双重约束生成车辆的参考轨迹,并使用一种级联的横纵分离的控制策略来控制车辆跟踪该轨迹,其中,模型预测控制器负责控制车辆的方向转角,比例积分微分控制器负责控制车辆的油门与刹车。结果显示,基于该车辆运动仿真方法生成的驾驶经验数据达到了专家级别的水平。（2）针对高维图像输入导致计算复杂度高以及训练效率低的问题,提出了一种基于模型的深度强化学习方法,让智能体能够在低维的状态空间中并行的探索车辆驾驶策略。该方法首先基于专家驾驶经验数据学习了3个模型来实现对驾驶环境机理的表征,分别是将高维场景观测数据压缩为低维抽象编码的变分自编码器模型、预测执行驾驶行为后环境状态如何转移的循环神经网络、以及环境-行为映射模型。然后以环境-行为映射模型的权重为协方差自适应矩阵进化策略的初始亲本进行进化,并在多核的CPU处理器上,创建多个智能体对进化出的子代进行评估,实现车辆驾驶策略的并行探索。结果显示,基于该方法生成驾驶策略时,训练效率有所提升,驾驶策略也更为稳定。以CarRacing-v0游戏场景为仿真驾驶平台,分别构建了城市交通的场景以及舰面保障车的作业场景,对生成的车辆驾驶策略进行了应用。结果显示,该驾驶策略能够缩短车辆的通行时间,提高出行的效率,其在面临不同类型的交叉口时也能够保障车辆平稳通过。