随着科技的不断进步,越来越多的机器人被应用在各种各样的场景中,移动机器人作为智能机器人的重要分支,其路径规划问题一直是国内外学者的研究热点。近年来,随着人工智能技术和芯片算力的飞速发展,移动机器人的应用领域也不断扩展,同时对机器人的性能提出了更高的要求。目前大多数针对路径规划的算法研究都是基于已知环境信息的基础上,缺乏自主学习的能力,无法在未知环境下找到一条比较好的路径。因此,本文将深度强化学习算法应用到移动机器人路径规划问题中,使移动机器人可以通过与环境交互进行学习,实现复杂环境下的自主路径规划,并针对其中存在的不足提出改进。本文的主要研究内容如下:首先,介绍了深度强化学习相关理论知识,分析了深度Q网络（Deep Q Network,DQN）算法原理,针对算法中存在的不足,通过改进网络结构及探索策略,提出一种面向室内移动机器人路径规划任务的改进深度Q网络算法。其次,针对室内移动机器人路径规划问题,分析其环境情况及数据特点并基于此设计了强化学习模型的动作空间,状态空间,奖励函数,为了解决一般奖励函数存在奖励稀疏,只有到达目标点后才能获得正向奖励,而过程中毫无奖励导致算法效率低的问题,结合势函数的思想对奖励函数进行了改进。最后,基于Linux平台中的ROS系统利用Gazebo工具搭建了移动机器人的仿真环境,调试设置相关参数,并在此环境下对传统DQN算法和本文提出的改进DQN算法进行路径规划实验,实验结果表明本文提出的改进算法收敛速度更快,路径规划效果更好,并在现实环境中进行了验证实验。