火灾是最经常、最普遍地威胁公众人身安全的灾害之一,具有蔓延迅速、扑救困难、造成财产损失严重且易造成人员伤亡等特点。随着经济的飞速发展和人们生活质量的提高,火灾的发生越来越频繁,火灾造成的经济损失与人员伤亡也越来越严重。在众多火灾事故中工厂内发生火灾造成的后果尤其严重,密集的人员和生产设施设备将导致严重的人员伤亡和财产损失以及生产的长时间停滞。对人员进行快速有效的方法研究,可以帮助工厂进行消防安全措施和策略建设,加强火灾灾后应急救援和管理,减少人员伤亡与财产损失。人员疏散是火灾应急响应的关键,为提高大型建筑火灾环境中人员的疏散效率,优化动态环境中的多智能体疏散路径规划解决方案,本论文基于三维建模技术、火灾数值仿真技术和深度强化学习,开展动态火灾环境中多人员疏散方法优化研究,主要研究内容和取得的成果如下:（1）对动态火灾环境模型的构建进行研究,提出了基于火灾数值仿真技术的厂房动态火灾环境构建方法,该方法将动态火灾环境模型中不同的对象划分为静态障碍物和动态障碍物,模型中的墙体和机台设备等为静态障碍物,通过火灾数值仿真技术获得的动态变化的高温无法通行区域为动态障碍物。（2）提出了基于全局引导策略的深度强化学习多智能体局部路径规划EG2RL（Enhanced Globally Guidance Reinforcement Learning）模型,该模型将深度强化学习与多智能体结合,在全局引导策略的帮助下进行疏散路径规划。该模型对G2RL（Globally Guidance Reinforcement Learning）方法的全局引导策略和深度神经网络（Deep Neural Network）结构进行改进,使其更加适用于多出口多人员复杂动态疏散环境,并且减少深度强化学习方法的训练时间,提高智能体训练的速度。疏散人员将在全局引导策略的帮助下,在动态的火灾环境中避免拥挤、躲避障碍物,向安全出口移动。通过某半导体厂房疏散实验表明将此模型与火灾数值仿真技术相结合,用于建筑室内火灾环境下的多人员疏散进行模拟,同时通过对比实验,结果表明该模型优化了人员疏散的路径选择,提高了人员疏散的效率。（3）提出了基于EG2RL路径重规划方法,用于动态环境中及时对疏散路径调整。通过对不同区域与出口被火灾高温区域或倒塌的墙壁堵塞的多情景火灾进行疏散模拟实验,该重新规划方法通过对全局引导策略中的全局路径引导信息进行更新,从而模拟疏散人员由原定的被堵塞的安全出口逃生未果,转而向另一安全出口移动,继而逃生成功的行为特征,提高路径搜索的准确性,结果表明EG2RL模型适用于复杂动态火灾多情景分析。论文的实验结果说明,结合动态火灾环境模型构建方法,通过基于全局引导策略的深度强化学习火灾疏散模型进行大型工厂环境下的多人员疏散分析,表明EG2RL模型和路径重规划方法可以获得更加切合实际的疏散相关数据与优化结果。