自动驾驶技术在汽车领域一直都是未来的一个重要发展方向,并且随着人工智能技术的高速发展,使无人驾驶的实现更近了一步。目前,无人驾驶决策是无人驾驶技术最需要突破的问题之一,尤其是在复杂未知的城市道路上进行驾驶决策,所以,针对这一问题需要采用一种能够自主学习并且在复杂多变的行驶环境下都能做出安全合理的决策方法,而根据深度强化学习具有自主学习能力和强泛化能力的特点,因此,本文采用深度强化学习的方法来研究城市环境下的换道驾驶决策问题。本文以深度确定性策略梯度算法（DDPG）为基础,针对原始的DDPG算法在动作探索中存在大量盲目的探索和重要样本数据利用率低导致学习到的换道驾驶策略差、学习速度慢等问题,在原有算法的基础上设计出了一种基于专家指导的深度确定性策略梯度算法（DDPGWEG）。首先,增加了对行动者网络输出动作的指导,它是通过专家网络得到专家动作来同时指导行动者网络的输出动作和评论者网络参数的更新过程,使行动者网络的输出动作更有方向性,能够减少训练初期盲目的动作探索,间接的提高了样本数据的质量。其次,加入了经验分类的优先回放技术,经验分类的优先回放是设计了两个回放池,通过奖励值的高低来将样本划分到两个池中,然后在初始训练阶段,在高质量的回放池中采集样本,等高奖励值的样本多于低奖励值的样本,再按照TD-error排序的优先级采样的方式从两个回放池中各采集一半的样本,提高了高奖励样本利用的同时又增加了采集样本的多样性,从而提高自动驾驶汽车学习到的驾驶策略的质量,使自动驾驶汽车能够通过这一算法来完成合理的决策。最后,通过分析城市道路的特点及车辆换道的特点完成了DDPGWEG算法的各个部分的设计,仿真实验部分采用TORCS仿真平台作为实验平台,实现了换道驾驶决策的仿真实验,实验结果表明,相比于原始的DDPG算法,DDPGWEG算法在学习到的换道驾驶策略优劣程度与车辆换道的安全和行驶效率上都有所提升,算法也有较强的泛化性,能够完成换道驾驶任务,验证了改进算法在换道驾驶任务上能够安全合理地做出决策。