车辆技术的智能化发展不但可以使车辆能够以更少的时间到达目的地,而且可以使车辆在行驶过程中有效的避免各种交通事故的发生。在此次车辆技术的智能化发展过程中,其核心发展内容就是车辆的路径规划技术。目前传统的路径规划技术在寻优过程中存在收敛速度较慢、不能处理连续任务以及容易陷入局部最优解等问题,导致交通道路中的车辆进行路径规划效率太低,因此本文针对车辆路径规划问题,研究基于深度强化学习的车辆路径规划策略。本文主要的研究工作如下:（1）针对传统的Q-Learning算法在车辆路径规划中容易陷入局部最优解、收敛速度较慢的问题,引入了动态探索因子技术,提出了一种改进算法ε-Q-Learning。它的探索因子ε的大小是动态的变化的,假如一次从起点到终点的车辆路径探索失败,则通过增大ε来使下一次探索的随机性增大,以免陷入之前的局部优化。反之,则通过减少ε来增加车辆路径探索目的性,使车辆对当前最优路径的探索更具有导向性,提升了探索效率且不易陷入局部最优解。本文基于Aanconda软件,构建了车辆路径规划的仿真实验环境,比较评估了ε-Q-Learning和传统的Q-Learning算法的性能。实验结果表明ε-Q-Learning相比于Q-Learning提升了12.5%的车辆路径规划效率,且结合了ε-Q-Learning算法的车辆所获得的路径也是优于结合了Q-Learning算法的车辆所获得的路径。（2）针对强化学习在车辆路径规划中不能处理连续任务以及过高估计Q值的问题,引入深度强化学习TD3（Twin Delayed Deep Deterministic policy gradient algorithm）算法来解决车辆路径规划问题,它可以面向具有连续动作空间的任务且可以持续的抑制Q值。本文从损失函数、累积回报、最优路径这三个指标来完成对应的实验研究,基于Jupyter notebook搭建仿真实验环境。由于本文使用的数据是低维的且较为简单,因此所使用的神经网络不再是卷积神经网络,而是使用全连接神经网络来对杭州市的部分交通数据（数据来源于杭州市交通拥堵指数实时监测平台）进行处理,最后就TD3算法在路径规划中的有效性进行了测试,同时也利用该数据集对Q-Learning、ε-Q-Learning和TD3算法进行了对比性实验,实验结果表明TD3算法不但可以有效进行车辆路径规划,且累积回报和损失函数相比较于Q-Learning和ε-Q-Learning算法提升了51%左右。