伴随着我国经济的迅猛发展和人民群众生活水平的大幅提高,我国小型家用汽车的数量快速增长,由此带来的道路交通问题也日益严重。随着市场需求的增长和科技的日益成熟,无人车的研究在近几年发展迅速。本文以无人车作为研究对象,针对基于深度强化学习的无人车自动驾驶任务展开研究。本文旨在实现一个具备自动驾驶功能的无人车实验模型,并以此模型来探索和验证无人车自动驾驶的相关理论和技术。在无人车控制系统的实现中,本文使用了深度强化学习理论。在使用深度强化学习理论实现无人车的控制系统时,需要进行大量的训练,这个在实际操作中实现难度很高,因此本文提出了使用仿真平台进行无人车控制系统的训练工作。因为在仿真平台和实际环境之间存在差异,所以训练之后的神经网络模型无法直接应用于无人车中。针对该问题本文提出了使用图像语义分割的技术,用来消除仿真平台和真实环境的差异,使得本文中在仿真平台上训练的模型可以直接应用到无人车任务中。本文的主要研究成果可以归纳如下:第一,本文设计实现了图像语义分割系统。在图像语义分割系统的设计实现过程中,本文充分考虑了该系统之后的应用环境。在实际的应用中,本文所使用的车载的计算机性能无法与实验室中的大型计算机相比。因此在控制系统的设计实现过程中,本文要求该系统对计算能力的要求要保持在一个较低的水平上,而且在运行时所需要的功耗也不能太高。同时考虑到无人车任务中对各个系统的响应速度要求较高,因此本文的图像语义分割系统具有很好的实时性。第二,本文设计实现了无人车的控制系统。该系统可以根据输入图像做出决策,控制无人车的各种动作,保证无人车的安全平稳运行。在该系统的设计中,本文主要基于深度强化学习。本文将网络所需要的大量训练过程放在仿真平台上进行,极大的缩短了训练的时间和难度,并且本文在训练中充分发挥了计算机的硬件性能,采用并行异步的训练方式,减小了训练所需要的空间要求,提高了训练速度。第三,本文设计实现了无人车的硬件结构,包括机械结构的设计和控制电路结构的设计。在无人车的硬件设计中,本文努力提高了硬件设施的可靠性和安全性,使用了独立悬挂系统,在硬件上保证了无人车的平稳安全运行。并且本文使用成熟的PID算法作为底层的控制算法,保证了无人车控制系统对无人车的精准控制。第四,本文设计和进行了大量的实验,用来表明算法的优秀性能,验证本文提出方法的可行性。最后,总结了本文进行的设计实现工作和研究内容,并且指出本文在设计和实现中存在的不足,说明了无人车的下一步研究方向。