无人车的决策控制是无人驾驶研究的关键问题。随着人工智能技术的发展,在决策控制中引入基于学习的人工智能方法成为国内外研究的热点。目前基于学习方法的无人车决策控制多采用端到端的模型结构,其决策过程缺乏一定的可解释性,且模型多针对于单一的驾驶行为。深度学习方法在训练过程中依赖于大量标注数据,而深度强化学习方法可以通过与环境的交互进行学习,更加适合智能决策控制问题,但现有的无人车决策控制模型与深度强化学习方法的结合较少。因此,本文将基于深度强化学习算法,提出无人车决策控制分层建模方案,以解决无人车面向多驾驶行为的决策控制问题。具体研究内容如下:第一,分层架构下基于深度强化学习方法的无人车决策控制模型研究。首先对无人车在驾驶行为执行过程中驾驶状态的变化进行研究,提出“动作决策-车辆控制”的分层决策控制结构框架,并对模型的整体决策流程进行分析;其次基于无人车在决策时对环境等因素的考虑来抽象出两个子层模型,并为子层模型提出符合深度强化学习算法决策过程的通用性端到端模型框架;最终对模型面向多驾驶行为的可扩展性进行分析。第二,基于深度确定性策略梯度算法的车辆控制模型研究。首先基于DDPG（Deep Deterministic Policy Gradient）算法对车辆控制层进行建模;其次通过分析驾驶行为执行过程中车辆状态明显发生改变的关键动作点,为车辆控制模型设计基于目标驾驶状态的奖励函数作为模型优化目标;最终提出条件控制结构的车辆控制网络模型。第三,基于深度Q网络算法的动作决策模型研究。首先基于DQN（Deep Q-learning Network）算法对动作决策模型进行建模;其次面向变道、超车和跟车三种典型的驾驶行为,在考虑安全协同驾驶的前提下分别设计符合其目标驾驶行为特性的奖励函数;最终提出动作决策的网络模型。最后,无人车决策控制模型的仿真训练与验证分析。首先对TORCS（The Open Racing Car Simulator）仿真平台进行修改,作为本文的无人驾驶交互环境;其次设计车辆控制模型与动作决策模型的总体训练流程,并结合函数曲线、概率分布等对无人车的随机探索过程进行优化;最终在包含其他交通参与者的动态场景下,对本文模型面向多驾驶行为的决策控制能力进行验证和分析。