目前机器人技术的发展日新月异,其智能化程度已经成为国家科技水平和综合国力的评价标准之一。其中,移动机器人能够代替人类在各种环境下从事复杂的重复性作业,在国防、星球探索、家庭服务等领域应用非常广泛。移动机器人要在未知环境下完成任务,就必须无碰撞的到达目标位置,因此路径规划是移动机器人最重要的一项基本能力。为了使移动机器人在未知环境下直接基于视觉信息自主学习最优动作,本文提出了一种端到端的路径规划算法--基于深度强化学习的移动机器人路径规划算法,使移动机器人学习像人类一样进行路径规划,无需环境地图,只从原始视觉感知中学习最优动作,且中间无需任何人工提取特征和特征匹配过程。本文的主要成果为:（1）研究了基于强化学习的移动机器人路径规划问题。在MATLAB仿真平台下采用基于Q-learning的路径规划算法实现了不同环境下的移动机器人路径规划,包括无障碍物、有简单障碍物和有复杂障碍物三种环境。实验结果验证了基于Q-learning的路径规划算法在未知环境下的自学习能力和自适应性。（2）研究了基于深度强化学习的移动机器人路径规划问题,提出了基于DQN的机器人路径规划算法。由于强化学习是一种“试错”学习方法,在学习过程中会执行大量的错误动作,例如撞到障碍物,为此本文构建了二级模拟验证实验平台。首先,基于DeepMind Lab游戏平台实现了深度强化学习算法在移动机器人路径规划问题上的应用,验证了所提算法的理论可行性;接着,利用ROS和Gazebo平台搭建了具有Turtlebot机器人模型及物理引擎的模拟环境,完成了基于Turtlebot移动机器人的端到端路径规划实验。结果表明基于深度强化学习的移动机器人路径规划算法可以使移动机器人在未知环境下只通过视觉感知自主学习到最优路径,而无需环境先验信息。