旋翼无人机在执行飞行任务的过程中可能会遇到各类安全威胁,其中甚至可能会遭遇追捕者进行有意图追捕的情形。在此类场景下为保护旋翼无人机自身安全,应使无人机具有应对追捕者追捕的逃逸能力。目前有关旋翼无人机规避威胁的研究主要集中在规避无追捕意图的动静态障碍物上,在应对具有追捕意图的追捕者的逃逸方法上研究尚较少。在此背景下,论文基于深度强化学习理论对追捕环境下无人机的逃逸方法进行研究,目的是提高追捕环境下无人机的逃逸动作决策能力,完成设定的逃逸任务。论文主要研究工作如下:首先,研究动力学模型约束下的旋翼无人机飞行动作融入强化学习动作决策的方法。基于动力学模型约束与飞行机理设计了无人机逃逸飞行动作库,为后续的强化学习决策提供动作基础。进一步,将无人机逃逸问题分为速度劣势下的逃逸问题与速度优势下的逃逸问题,对这两类问题分别进行了定义和描述。其次,针对速度劣势下无人机的逃逸问题,研究基于深度Q网络（Deep Q Network,DQN）的无人机逃逸决策方法。一方面,分析并设定速度劣势下无人机逃逸任务,另一方面,依据逃逸问题设计深度强化学习训练所需的仿真训练环境、状态空间、动作空间。以此为基础,提出一种面向逃逸任务的奖励函数,并结合人工势场法对奖励函数进行改进,由追捕者产生斥力场,把旋翼无人机在追捕者势场下的势能变化作为每个训练时间步的奖励因素,解决深度强化学习过程中的稀疏奖励问题;进一步,改进了DQN算法中的ò-greedy随机策略,使DQN模型在训练前期具有较高的探索率。第三,针对速度优势下无人机的逃逸问题,研究基于DQN的无人机逃逸决策方法。分析并设定无人机逃逸任务,并以速度劣势下无人机强化学习模型为基础,设计针对速度优势下无人机逃逸任务的奖励函数,以提高逃逸任务成功率。最后,在仿真环境中对无人机进行逃逸能力训练,实验结果表明,针对两种逃逸问题,无人机均能通过学习获得逃逸动作决策方法,与传统奖励函数相比,基于改进奖励函数训练得到的逃逸策略的逃逸任务成功率更高。并且所获得的逃逸策略的任务成功率优于对比策略。在改变追捕条件后,无人机仍能习得对应的逃逸动作决策方法,证明在追捕环境下基于DQN的逃逸策略的可行性。