当今,在各国政策的引导下,新能源行业中电动汽车的数量在全球范围内快速激增。各个国家都在从电动汽车的生产制造、充电基础设施的部署以及充电站的电力负荷管理与支付系统等方向寻找促进经济增长的方法。然而,由于电动汽车行驶里程不足、充电基础设施不完善,导致了用户在出行过程中产生里程焦虑的问题。电动汽车充电站运营商无法给用户提供实时的充电桩使用情况会造成电网负荷峰谷差距大,产生用户长时间等待充电的问题。本文在分析电动汽车充电路径规划问题基础上,考虑交通路网状态、天气等因素,从充电站运营和用户利益角度出发对电动汽车充电路径规划进行了系统性研究。首先,从充电站运营角度出发,分析了电动汽车特性和电动汽车充电路径规划的必要性。在考虑周边交通状况前提下,建立深度信念网络DBN（Deep Belief Network,简称DBN）模型,对特定区域的充电站使用桩数进行预测。将最优的深度学习模型的预测结果与电动汽车充电路径规划相结合,为电动汽车路径规划提供约束条件,避免出现峰上加峰的充电情况,减少用户排队时间,为用户选择充电站提供决策依据。其次,从用户利益角度出发,提出了一种基于长短期记忆神经网络LSTM（Long short-term memory,简称LSTM）的电动汽车充电路径规划方法。首先分析了影响电动汽车行驶速度的因素,利用深度学习模型预测特定道路上电动汽车的平均车速,并验证模型的有效性。在考虑电动汽车能量再生制动的前提下,将深度学习模型的预测结果作为电动汽车行驶能耗模型的输入。为了获得更加准确的电动汽车能耗,还建立了负荷设备能耗模型和电池衰退模型。在综合能耗模型基础上,建立了电动汽车用户在路径规划过程中的总行程时间模型和用户总成本花费模型。最后,综合考虑交通路网状态、充电站运营信息以及用户利益,在特定的约束条件下,分别以总行程时间最短、以用户总成本花费最低、以总行程时间和用户总成本花费综合最优为三个优化目标进行路径寻优。仿真选取了杭州市某6km×6km区域实际道路网络,通过改进的遗传算法（Genetic Algorithm,简称GA）求解不同目标下的路径规划问题,验证所提出充电路径规划方法的可行性。