移动机器人的出现,提高了社会的生产效率。移动机器人的难点在于避障,尤其是在有动态障碍物的环境中,移动机器人与动态障碍物之间没有相互的通信情况下,动态障碍物的目标点无法被移动机器人得知。除此之外,为了找出花费时间最短的路径,通常还需要考虑动态障碍物之间的相互的影响,如果运用传统的解析法,计算量是巨大的,例如最佳相互避免碰撞算法。目前移动机器人动态避障存在着计算量大,实时性差,动态障碍物数量增加稳定性变差等问题。本文为了解决这些问题,提出一种基于深度强化学习的方法来避免移动机器人与动态障碍物发生碰撞。本文主要研究移动机器人动态避障问题,根据移动机器人特点和要完成的任务,设计一个深度强化学习模型。使用部分可观测的信息,在移动机器人与动态障碍物互不通信的情况下移动机器人能够无碰撞到达目标。该模型在深度Q网络基础上做出针对性的改进,引入长短时记忆神经网络对状态进行预处理,同时对于经验池的设置进行修改。本文通过仿真验证算法的可靠性和稳定性,仿真结果表明经过改进方法更加稳定,移动机器人到达指定目标点的时间缩短。为了动态障碍物数量增加时算法依然稳定,引入了注意力机制,使得移动机器人在作决策时更加关注那些更具影响力的临近动态障碍物。结果表明,加入注意力机制的算法,在动态障碍物数量增加的情况下依然能够在短时间内无碰撞到达目标点,算法的稳定性高于传统的方法以及基于长短时记忆神经网络的深度强化学习方法。