传统的自动规划小车（Automated Guided Vehicles,AGV）路径规划需要提供详细的场景地图,不适应复杂的动态环境,从而导致工作效率低,易发生多车堵塞的情况。又因为强化学习具有自主学习、动态调整等特征,所以可在无环境模型的情况下,完成动态路径规划任务,获得最优路径。但是,本文针对强化学习算法存在的探索-利用不平衡和连续状态空间问题,提出一种基于Kohonen网络融合的强化学习算法（K-L）。并且设计一种基于改进遗传算法和K-L算法结合的双层路径规划方法（GA-KL）,能在动态复杂的环境下,实现算法快速收敛,确保AGV无碰撞运行。主要工作如下:1)本文设计一种基于改进强化学习的AGV路径规划算法（K-L算法）。首先,对传统的探索-利用平衡方法改进,引入改进模拟退火算法优化ε-greedy中ε的取值,增大跳出局部最优的能力,从而改善探索-利用之间的不平衡,防止出现AGV频繁绕路无法找到最优解、多次探索导致学习时间过长等问题;然后,在模拟退火算法优化的基础上,通过融合Kohonen网络对连续的外部环境进行聚类分析,得到状态表示方法,改善传统强化学习算法收敛速度慢和AGV环境学习的效率低的问题。最后,通过仿真和实际实验验证了算法的有效性,以及收敛时间上的优势。2)基于K-L算法,本文设计一种基于改进遗传算法和K-L算法结合的双层路径规划方法（GA-KL）。首先,采用由三交叉算子和节点繁忙系数优化的遗传算法（T-GA）,作为全局规划算法,以拓扑图节点为编码,避让坐标固定的静态障碍物,生成全局最优路径节点集合;并采用A*算法,以路径最短为目标,寻找节点之间的最短路径。然后,若运行路径上不存在动态障碍物,延用A*算法所规划的路径,快速通过;若发现动态障碍物,则在节点之间采用上述K-L算法进行局部规划,避让局部动态障碍物。该方法将T-GA算法、A*算法与K-L算法相结合,具有良好的全局搜索和动态避让能力。仿真实验和实车实验表明,在复杂的动态环境中,基于GA-KL的路径规划方法能实现有效的动态避障,以及收敛时间上的优势。