近年来,以卷积神经网络(CNN)为代表的深度学习算法在目标识别和检测等多种任务中表现出显著的性能,成为许多研究问题的解决方案。然而,复杂任务的学习能力对人工智能的发展至关重要,一般来说,神经网络难以做到这一点,人们普遍认为灾难性遗忘是连接主义模型的一个不可避免的特征,目前基于深度神经网络的人工智能系统是为学习狭小范围任务而设计的,这样训练的智能体是不具有持续学习能力的,实现通用人工智能的关键步骤是获得连续学习的能力,也就是说,一个智能体(agent)必须能在不遗忘旧任务的执行方法的同时习得如何执行新任务。为了训练可持续学习的智能体,亟待解决的问题是解决灾难性遗忘问题。无人车需要在各种复杂场景下行驶,并需要在不同场景中保证车辆的安全性。因此我们希望无人车能够在各种场景下执行任务时不断的获得新的技能,而不要忘记已经训练掌握的技能。本文以多无人车为测试环境,通过添加记忆机制来解决灾难性遗忘问题,防止车辆由于不同场景间知识遗忘所带了的安全隐患。在这里我们给出了一种多车场景学习框架,允许无人车对不同场景进行记忆。防止无人车在新场景学习过程中产生原有场景所学知识的遗忘,从而使无人车更好地学习新任务,同时更少地忘记以前任务中学到的知识。对于多车环境,我们发现不同无人驾驶车辆所学驾驶策略具有共性且存在学习过程的重复,因此,本文提出了基于经验共享的加速训练的方法,该方法通过在初始阶段学习过程中令多无人驾驶车辆进行经验共享,从耗时及收敛速度两方面提高无人驾驶汽车的学习效果。利用车辆策略的相似性转移基础知识网络,提高其他环境中无人驾驶车的学习起点。最后,本文对所提解决方案进行了多车环境下的仿真试验,实验表明(1)本文所提出的基于经验共享的加速训练方法,能够在收敛速度及耗时上明显优于车辆独立学习,并在学习效果上与之相当;(2)本文构建的场景学习模型能够在学习效果与传统的深度强化学习相当的同时,在多场景情况下令无人驾驶车辆在场景转换之间相对原有深度强化学习算法具有更好的安全性能,未在不同场景之间产生遗忘。