随着机器人应用的普及,越来越多的传统制造业和服务业不断引入移动型机器人进行作业。对于移动型机器人而言最为核心和基础的技术是路径规划。以ROS（Robot Operating System,ROS）为标准操作系统,其中路径规划被划分为全局和局部两个部分。但目前ROS官方的路径规划器存在导航资源消耗大,响应慢的不足,无法应对日益增长的机器人应用需求。针对上述情况,本文研究了一种强化学习与启发式搜索算法融合的机器人路径规划方法,制作了DDPGWOA+A2C路径规划器。该路径规划器中全局规划方面使用了基于深度确定性策略梯度（Deep Deterministic Policy Gradient,DDPG）改进鲸鱼优化算法（Whale Optimization Algorithm,WOA）得到的新启发式算法DDPGWOA,局部规划方面使用了优势演员评论家（Advantage Actor Critic,A2C）算法。主要研究内容如下:第一,提出了基于DDPG改进WOA算法的新启发式算法DDPGWOA。首先将传统WOA算法中追随最优位置改进为追随最优代理从而增加了算法的探索能力。然后使用DDPG来计算WOA算法的控制参数,改变了原算法先探索后开发的固定模式,提升了WOA算法的智能性。最后在基准测试函数上进行了测试,结果表明DDPGWOA无论在收敛性能,还是在稳定性上都更具优势。第二,对启发式搜索算法的机器人全局路径规划进行了研究,建立了全局路径规划模型,路径初始化方法和路径求解适应度函数,并通过DDPGWOA算法对该模型进行求解。最后与飞蛾扑火算法,灰狼优化算法,粒子群算法和传统鲸鱼优化算法进行了路径规划对比实验,验证了DDPGWOA算法的路径规划能力。第三,使用A2C算法制作了机器人局部路径规划器。首先搭建了训练平台,并设计了回报函数,环境状态和执行动作。然后使用增量地图训练法完成了A2C代理的训练。最后A2C局部路径规划器在仿真和实际场景中都完成了未知环境导航的挑战,验证了A2C局部路径规划器的导航性能。第四,验证了DDPGWOA+A2C路径规划器的导航性能和实用性。首先在仿真环境和真实环境中搭建了实验平台,然后与ROS官方提供的路径规划器进行了导航对比实验。实验结果表明,DDPGWOA+A2C在导航路径长度,导航完成时间和规划响应速度上都更具优势,从而可以提升移动型机器人的工作效率。