随着人们生活水平的提高,居民私家车的数量在最近几十年急速增长,这使得人们对于出行需求逐渐由公共交通转为更加快捷舒适的私家打车出行,但是有限的道路与能源资源却不能无限满足私家车数量与人们对打车需求量的增长。另一方面,随着打车出行人数的增加,传统的“一人一车”的服务方式运营效率非常低下,使得车辆座位利用率极低,但是使用频率却越来越高,越来越不能满足大多数人的出行需求。近几年兴起的“共享经济”使得合乘出行成为人们能接受的比较流行的出行方式,合乘指的是有相似路线的乘客通过共同承担出行费用的方式选择同一辆车一起乘坐出行。通过合乘出行,不仅可以充分利用车辆自身容量,降低空载率,有效缓解乘客打车难的问题,还可以在有限的道路资源上实现更多的出行需求,缓解交通拥堵,降低车辆能源消耗,减少车辆尾气排放,促进绿色城市环境的形成。本文在对国内外关于车辆合乘现状与其路径优化问题相关研究进行梳理分析之后,提出了基于深度Q网络（Deep Q-Network,DQN）的车辆动态合乘匹配与路径优化算法,解决了传统路径优化算法如全局路径优化算法容易引起的陷入局部最优问题,能够通过自主训练学习完成车辆与随机产生的乘客订单的自动匹配,并且实时进行路径优化。本文分析了深度强化学习算法的各种组合方式及其特点,最后选择DQN网络结构,将神经网络与Q-learning结合,使神经网络代替Q表存储动作值函数,通过神经网络实现节点向量输入到路径输出的映射。通过马尔可夫决策过程（Markov Decision Process,MDP）制作专家样本,以模仿学习的方式加速DQN收敛。同时在训练过程中,为了减少动作探索随机性,引入了先验知识指导车辆进行动作选择,干预算法训练过程,提高算法效率。为了解决环境中车辆间的订单任务冲突的问题,本文采用基于分布式博弈论的任务分配算法,车辆使用其本地信息和交互信息,以分布式的方式获得各自最佳策略。在基于分布式博弈论的任务分配中,车辆根据DQN算法提供的路径策略进行任务协调,来选择他们的免冲突订单。最后,利用芝加哥市的道路环境与其提供的车辆运营数据对所提算法进行了验证。