为无人机设计一个合理的公共航路,能够保证有效监管无人机群体飞行、合理设置空港和物流转运点、保障低空空域安全和无人机自身飞行安全。然而现实中预计行驶在公共航路上的无人机在执行飞行任务时容易受到各种因素的影响,使其偏离预设的公共航路。为了尽量减少已偏离的无人机在公共航路外受到的不利影响,加强对意外偏离现象的处理能力,需要保证无人机从偏移点尽早回归公共航路。深度强化学习是目前无人机在自主导航问题中实现自主决策和智能控制的关键技术和重要发展趋势,并且在无人驾驶领域取得了一定的实际应用成果,具有优秀的实时性、自主性和可实现性,满足探寻一种有效的无人机回归公共航路方法的要求。因此本文基于深度强化学习算法对无人机回归公共航路方法进行研究,提出并设计了一个满足实验要求的无人机回归公共航路模型,并得到了三种算法下的训练测试结果,具有一定的理论和实际意义。全文主要从三个方面完成研究目标:（1）添加风力因素,提出并设计一个受到风力影响的无人机偏离公共航路模型。完成风力下的无人机偏离公共航路仿真研究,获取无人机回归公共航路模型所需的相关偏移点数据。（2）基于确定的偏移点数据,明确环境模型中偏移点和公共航路的相对位置。通过对比分析选择栅格法和OPENAI GYM作为模型设计方法和工具,设计得到一个包括偏移点、公共航路和静、动态障碍物的环境模型。（3）将设计完成的满足问题要求的无人机回归公共航路模型作为实验基础,分别使用DQN、DDPG和PPO算法完成问题模型的训练测试实验,得到基于深度强化学习的无人机回归公共航路方法,测试任务完成度在95%以上。实验结果表明基于深度强化学习算法的无人机能够很好地从偏移点尽早回到公共航路,从而保证对偏离现象的处理能力。训练好的智能体具有良好的实时性和自主性,能够适应复杂的障碍环境。在问题模型中PPO智能体具有最优秀的训练性能,能够通过最少的训练次数达到要求的训练目标。