在机器人的智能化过程中,移动机器人是智能化过程的核心基础,是实现机器人智能化的关键步骤,也是近年来机器人发展的研究热点。在日益复杂的环境中使用移动机器人,关键在于移动机器人的自主导航能够避开障碍物和人群到达指定的安全地点。本文针对移动机器人的导航避障,使用面向局部路径规划的深度强化学习方法进行移动机器人导航。下面为本文的主要研究工作:（1）基于Soft Actor-Critic（SAC）算法的深度强化学习解决局部路径规划问题在移动机器人的导航过程中,针对传统路径规划方法存在计算复杂、学习难以收敛、泛化性差和容易陷入局部最优的问题。本文提出了使用较为稳定的SAC算法来解决局部路径规划问题。且在路径规划过程中,针对移动机器人使用传感器收集环境信息时,室内环境噪音造成的数据误差问题,提出了一种多层栅格地图的方法来进行解决。实验结果表明,基于SAC算法的局部路径规划比之现有的深度强化学习算法更稳定,且基于多层栅格地图的算法结果得到了极大的提升。（2）提出了一种基于社会性SAC算法的局部路径规划方法针对基于深度强化学习训练的局部路径规划方法在导航中趋向于只学会获取奖励的学习模式。本文提出了一种基于社会性的SAC算法,其通过奖励函数的约束来使移动机器人获取社会性避障。且在训练过程中,采用改进社会力模型的仿真Actor解决深度强化学习训练过程中路径规划策略难以获取人机交互数据的问题。实验结果表明,本文提出的基于社会性SAC算法在局部路径规划的各个方面得到了极大的提升。（3）将本文的局部路径规划算法部署到实体机器人导航系统进行测试为了验证本文算法仿真环境到实体环境的迁移能力和实际效果,本文设计了实体机器人导航系统,并将本文的算法部署到导航系统上进行测试。根据测试的需要,在本文中进行了两组现实环境的实验,实验结果表明,本文的深度强化学习局部路径规划模型能够很好的迁移到实体机器人上,且避障能力效果显著。