自动驾驶汽车有望改善交通安全,同时提高燃油效率,减少拥堵。它们代表了未来智能交通系统的主要趋势。在车辆运动的关键决策过程中,自动驾驶系统路径规划在避障、寻找最安全的路径、通过优化产生合适的行为和舒适的轨迹生成方面发挥着重要和具有挑战性的作用。因此研究自动驾驶车辆路径规划是非常必要的,它可以辅助驾驶员行驶更安全,减低事故发生率。本文主要研究交通中自动驾驶车辆的路径规划问题。基于深度学习和强化学习相结合的新研究算法,设计了一种以马尔可夫决策过程为基础的网络模型,该模型能在仿真环境中完成弯道行驶和车道保持的路径规划。在仿真环境中根据不同场景进行模型训练,它是由相应的马尔可夫奖励函数完成深度强化学习网络模型训练的。考虑了道路几何形状,以融入更多不同的驾驶风格。并使用深度学习技术确定自动驾驶车辆的最优驾驶策略。阐明并验证了最大熵原理在学习深度神经网络奖励函数中的应用,并为利用最大熵原理学习参数化特征函数提供了必要的推导。仿真结果显示使用深度强化学习算法的自动驾驶车辆的期望驾驶行为比使用深度学习的更佳。最后经过模型训练,完成自动驾驶车辆在弯道行驶和车道保持中的路径规划仿真实验。本文的研究目的是在为车辆自动驾驶系统中的局部路径规划与控制功能提供一种基于深度学习的自动驾驶车辆路径规划的研究方法。该方法通过自动驾驶系统感知层获取有关车辆状态和环境的信息,并对不可测状态提供合理的估计。自动驾驶系统根据空间或时间的函数来规划未来的轨迹。最后,控制级接收规划级的信号,保持车辆的稳定性,跟踪期望的路径。本文为解决传统路径规划方法中无车辆动力学约束和消除车辆模型跟踪误差的问题,提出一种基于深度学习的自动驾驶车辆路径规划方法。根据真实环境建立仿真行车环境模型,该模型应用经深度学习训练后的最优自动驾驶策略,最后经过仿真实验验证该方法。实验结果表明,本文所提方法能够减少横向跟踪误差和提高模型的泛化性能,减小过度依赖问题。