近年来,随着机器人技术的迅猛发展,移动机器人也逐渐进入人类的日常生活中,人群环境中运动的行人给机器人的导航带来了困难。如何使机器人高效地规划出无碰撞路径的同时,遵守人类行走的社交规范,尊重行人的行为意图,是目前移动机器人人群导航领域的研究热点,具有重要的现实意义和研究价值。当前人群导航研究领域内存在的主要问题包括:对环境信息理解不够导致机器人导航效率低,机器人导航系统的泛化能力弱。深度强化学习兼具环境感知能力和实时决策能力,注意力机制能够聚焦重要因素,因此本文将这两种技术相结合,研究机器人在人群环境中安全高效的导航方法。本文首先将人群导航建模为马尔科夫决策过程,设定机器人导航的局部坐标系,设计适应于人群导航的状态空间和动作空间。对稀疏的奖励函数进行优化,设计了符合社交规范的奖励函数,保证机器人快速趋近目标的同时兼顾导航的安全性。其次,设计了三种基于注意力机制的状态价值网络用以拟合状态价值函数,保证机器人系统兼具人群运动推理能力与实时决策能力。采用控制变量法,通过仿真实验分析不同网络结构对导航效率的影响,实验结果表明DADRL（Double Attention Deep Reinforcement Learning）算法的导航效果最好。最后,在仿真环境中,将DADRL与其他三种成熟的人群导航算法进行对比,分析四种算法的导航成功率、平均导航时间、不舒适频率、导航轨迹的平滑性,并进行算法的泛化能力测试。实验结果表明,本文提出的DADRL能够很好的理解行人运动意图,在保证导航成功率的前提下,能够有效地缩短导航时间,与行人保持一定的舒适性,并且一定程度上适应环境的变化。