在未知并且复杂的环境中,足式机器人因其具有离散的落脚点的优点被赋予野外探索、救援等重任,四足机器人相比于双足机器人,其自身的结构稳定性更好,相比于六足机器人,其结构更加简单,运动过程中协调性更好,控制更加简单,因此被众多学者广泛研究并取得一定的成果。传统的四足机器人运动控制通过手动的方式对系统的各项参数进行调节,过程繁杂且需要花费大量的时间和精力,所得到的控制策略往往只针对特定的一类环境,控制策略泛化能力差。针对上述存在的问题,本文搭建了基于DDPG的四足机器人运动控制器,针对其不足设计改进的LSTM-DDPG运动控制器,使用基于DDPG和改进的LSTM-DDPG算法完成机器人的运动控制;通过在虚拟仿真环境中训练和测试来对算法的有效性进行验证,最后将控制网络迁移到实物样机上进行测试。论文的主要工作如下:（1）为充分展现控制算法的性能,提高机器人在环境中的探索能力,本文选取具有新型腿部结构的机器人为被控对象,该机器人具有非同轴二自由度五连杆机构组成腿部结构,本文对机器人进行运动学建模,对单腿正逆运动学和walk步态下的运动稳定性进行分析,使用贝塞尔曲线完成机器人运动过程中的足端轨迹规划。（2）针对现有的控制方法需要手动调节的问题,本文使用DDPG作为机器人的运动控制算法,结合基于先验知识的机器人运动控制策略,将基于深度强化学习的控制信号和先验知识信号耦合进行机器人的运动控制。（3）针对深度确定性策略梯度算法训练收敛速度慢的问题,本文使用改进的LSTM-DDPG算法对机器人的运动进行控制,引入机器人的状态时序信息,使得机器人的姿态调整具有预判性,在训练过程中策略开始收敛的迭代次数从2.5×10~5减小到2×10~5,运行过程中机身的姿态角变化范围减小,机身稳定性提高。（4）分别搭建基于DDPG和基于改进的LSTM-DDPG算法的机器人运动控制器并在仿真环境中进行训练,通过在虚拟环境中仿真分析,验证了算法设计的合理性和有效性。最后提出基于随机干扰的控制模型鲁棒性增强方法,通过该方式增加控制模型的鲁棒性并进行控制系统的实物迁移。