近年来,随着人工智能和自动避障技术的高速发展,机器人技术也成功的出现在医疗、服务、救援等领域之中,该技术是一门夹杂着多学科和技术的交叉学科。机器人技术领域的热点之一是路径规划问题,本文的研究对象是Turtle Bot3机器人,它的研究方向包括了路径规划效果、自主避障。由于深度强化学习不需要依赖环境模型,本文对深度强化学习中的深度Q网络（DQN）算法进行分析,针对原算法学习效率低下、搜索能力不高、无法进行长期记忆等问题做出了改善,并将其应用到移动机器人的路径规划中,并在复杂度不同的3D仿真环境中进行验证对比。其中主要工作和贡献如下:首先,建立两轮差速移动机器人运动学模型,编写了仿真模型需要的URDF文件,使用开源ROS系统中的Gazebo仿真软件完成了Turtle Bot3机器人模型的搭建以及不同复杂度下的环境构建。并在这些环境下对改进前后的算法进行仿真验证。其次,结合Turtle Bot3机器人的特点,对原算法的状态、动作空间以及奖励函数等方面进行了研究分析,对原算法进行了训练学习,找到了其中的不足之处。然后,针对当前DQN算法存在的问题,分别从算法本身、动作选择策略以及算法的网络结构对上述问题进行改进,通过对不同环境下仿真结果的分析,表明本文所提算法使得收敛速率、稳定性、学习效率等有所改善,验证了改进措施的有效性。最后,在不同的实验环境下,包括简单环境、静态动态环境以及混合障碍物环境,对各自改进的算法进行了实验,对其泛化性进行了测试,也验证了本文提出的算法在室内环境中用于路径规划的可行性。